面向多场景的锂离子电池寿命预测方法研究.pdfVIP

摘要

摘要

锂离子电池的寿命预测，是通过分析锂电池充放电过程中采集的电压等数据，

评估其健康状态或预测其剩余使用寿命。该技术能提高电池设备安全性、推动电

池技术的进步，在电动汽车等行业有着广阔的应用前景。但在真实的应用场景中，

现有算法应用于新的锂电池时寿命预测误差大、模型泛化性差。此外，现有的锂

电池健康状态和剩余使用寿命联合预测算法实用性差。针对上述问题，本文完成

的主要工作如下：

1.在新锂电池老化数据可部分获取的场景下，针对不同锂电池老化数据条

件分布的不同导致模型健康状态评估误差大的问题，本文提出一种基于条件分

布对齐的多源域适应（ConditionalAlignmentbasedMulti-sourceDomainAdaptation，

CA-MDA）锂电池健康状态评估算法。该算法通过预训练增强模型特征学习能力，

并同时对齐数据的边缘分布和条件分布，得到高精度的跨个体锂电池健康状态评

估模型。实验结果表明，在NASA和CALCE两个公开数据集上，提出的CA-MDA

算法相比现有算法，平均均方根误差分别降低了1.67%和1.26%。

2.在新锂电池老化数据完全无法获取的场景下，针对已有健康状态评估模型

泛化性低的问题，本文提出一种基于域特定特征遗忘的域泛化（Domain-specific

FeaturesForgettingbasedDomainGeneralization，DSFF-DG）锂电池健康状态评估

算法。该算法通过遗忘域特定特征提升模型泛化性，并通过自适应一致性损失增

强模型对特征波动的鲁棒性，得到高泛化性的锂电池健康状态评估模型。实验结

果表明，在NASA和CALCE两个公开数据集上，提出的DSFF-DG算法相比无域

泛化模型，平均均方根误差分别降低了2.35%和2.87%。

3.在需要从健康状态和剩余使用寿命两个角度同时分析锂电池寿命状态的

场景下，现有算法的输入数据获取难度高，且任务间的相关性和各任务的独特

性导致寿命预测误差大。基于此，本文提出基于对抗联合训练的联合预测（Joint

PredictionbasedonAdversarialJointTraining，JP-AJT）算法。JP-AJT以容易获取的

数据作为输入，并通过对抗训练指导模型学习任务共享特征和任务特定特征，提

高模型预测精度。实验结果表明，在NASA和CALCE两个公开数据集上，提出

的JP-JAT算法相比现有算法，对健康状态和剩余使用寿命联合预测时，平均均方

根误差分别降低了2.44%和2.21%。

关键词：锂离子电池，健康状态，剩余使用寿命，域适应，域泛化

I

ABSTRACT

ABSTRACT

Thelifepredictionoflithium-ionbatteriesassessesthestateofhealthorpredictthe

remainingusefullifebyanalyzingthevoltageandotherdatacollectedduringthecharg-

inganddischargingprocess.Thistechnologycanimprovethesafetyofbatteryequipment,

assistusersinmanagingdevices,andpromotetheadvancementofbatterytechnology.It

hasbroadapplicationprospectsinindustriessuchaselectricvehicles.However,inreal

applicationscenarios,existingalgorithmshavelargepredictionerrorsandpoormodelgen-

eralizationwhenappliedtonewlithium-ionbatteries.Inaddition,existingjointprediction