融合多项式特征扩展与CNN-Transformer模型的锂电池SOH估计.pdfVIP

第13卷第9期储能科学与技术Vol.13No.9

2024年9月EnergyStorageScienceandTechnologySept.2024

AI辅助先进电池设计与应用专刊

融合多项式特征扩展与CNN-Transformer模型的锂电池SOH估计

陈媛，章思源，蔡宇晶，黄小贺，刘炎忠

（安徽大学人工智能学院，安徽合肥230601）

摘要：为了提高锂离子电池健康状态(stateofhealth，SOH)估计的精确度，本研究结合卷积神经网络

(convolutionalneuralnetworks，CNN)强大的局部特征提取能力和Transformer的序列处理能力，提出了基于多

项式特征扩展的CNN-Transformer融合模型。该方法提取了与电池容量高度相关的增量容量(incremental

capacity，IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子，然后将其进行多项式扩展，增加融

合模型对输入特征的非线性处理能力。引入主成分分析法(principalcomponentanalysis，PCA)对特征空间进行

降维，有利于捕获数据有效信息，减少模型训练时间。采用美国国家宇航局(NationalAeronauticsandSpace

Administration，NASA)数据集和马里兰大学数据集，通过加入多项式特征前后的CNN-Transformer模型对比、

加入多项式特征的CNN-Transformer模型和单一模型算法对比，验证了加入多项式特征的CNN-Transformer融

合算法的有效性和精确度，结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模

型，对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%。

关键词：锂离子电池；电池健康状态预测；主成分分析法；CNN-Transformer；增量容量分析；多项式特征

doi：10.19799/ki.2095-4239.2024.0465

中图分类号：TM912文献标志码：A