基于双重注意力机制的电池SOH估计和RUL预测编解码模型

戴俊彦; 夏明超; 陈奇芳

doi:10.7500/AEPS20220615007

您当前的位置：

首页 >

文章列表页 >

基于双重注意力机制的电池SOH估计和RUL预测编解码模型

学术研究 | 更新时间：2025-06-16

- 基于双重注意力机制的电池SOH估计和RUL预测编解码模型
- Encoding and Decoding Model of State of Health Estimation and Remaining Useful Life Prediction for Batteries Based on Dual-stage Attention Mechanism
- 电力系统自动化 2023年47卷第6期页码：168-177
- 作者机构：
  
  北京交通大学电气工程学院，北京市 100044
- 作者简介：
  
  戴俊彦(1999—)，女，硕士研究生，主要研究方向：电池管理、机器学习在储能系统中的应用。E-mail：20121424@bjtu.edu.cn
  夏明超(1976—)，男，通信作者，教授，主要研究方向：能源互联网、交通能源融合、配电网分析与优化、需求响应及柔性负荷调度等。E-mail：mchxia@bjtu.edu.cn
  陈奇芳(1986—)，男，副教授，主要研究方向：电动汽车V2G应用技术、综合能源系统建模与优化运行、电力-交通融合建模方法。E-mail：chenqf@bjtu.edu.cn
- 基金信息：
  
  中央高校基本科研业务费专项资金资助项目(2018JBZ004);国家自然科学基金资助项目(52007004)
- DOI：10.7500/AEPS20220615007
  中图分类号：
- 收稿：2022-06-15，
  
  修回：2022-08-31，
  
  网络出版：2023-01-06，
  
  纸质出版：2023-03-25
- 稿件说明：
移动端阅览
戴俊彦,夏明超,陈奇芳.基于双重注意力机制的电池SOH估计和RUL预测编解码模型[J].电力系统自动化,2023,47(6):168-177.

DAI Junyan,XIA Mingchao,CHEN Qifang.Encoding and Decoding Model of State of Health Estimation and Remaining Useful Life Prediction for Batteries Based on Dual-stage Attention Mechanism[J].Automation of Electric Power Systems,2023,47(6):168-177.
戴俊彦,夏明超,陈奇芳.基于双重注意力机制的电池SOH估计和RUL预测编解码模型[J].电力系统自动化,2023,47(6):168-177. DOI： 10.7500/AEPS20220615007.

DAI Junyan,XIA Mingchao,CHEN Qifang.Encoding and Decoding Model of State of Health Estimation and Remaining Useful Life Prediction for Batteries Based on Dual-stage Attention Mechanism[J].Automation of Electric Power Systems,2023,47(6):168-177. DOI： 10.7500/AEPS20220615007.

摘要

锂电池的健康状态(SOH)和剩余使用寿命(RUL)精确评估对电池安全稳定运行极为重要，而现有预测模型内部运行机制透明性低，导致评估可靠性较差。文中提出一种基于双重注意力机制的双向长短期记忆网络编解码模型进行SOH估计和RUL预测。编码侧的特征注意力机制和解码侧的时序注意力机制不仅通过动态分配特征和时序信息的权重提升了模型预测精度，还通过可视化权重的方法实现了模型可解释性。最后，利用NASA和CALCE公开的电池数据集进行实验测试，验证了所提方法具有较高的精度和可靠性。

Abstract

Accurate assessment of the state of health (SOH) and remaining useful life (RUL) of lithium-ion batteries is extremely important for the safe and stable operation

and the low transparency of the internal operation mechanism of existing prediction models leads to poor assessment reliability. In this paper

an encoding and decoding model of bi-directional long short-term memory network based on dual-stage attention mechanism is proposed for SOH estimation and RUL prediction. The feature attention mechanism on the encoding side and the timing attention mechanism on the decoding side not only improve the model prediction accuracy by dynamically assigning the weights of feature and timing information

but also realize the model interpretability by visualizing the weights. Finally

experimental tests using National Aeronautics and Space Administration (NASA) and Center for Advanced Life Cycle Engineering (CALCE) public battery datasets verify the high accuracy and reliability of the proposed method in this paper.

关键词

Keywords

references

SARMAH S B ， KALITA P ， GARG A ， et al . A review of state of health estimation of energy storage systems： challenges and possible solutions for futuristic applications of Li-ion battery packs in electric vehicles ［J］. Journal of Electrochemical Energy Conversion and Storage ， 2019 ， 16 （ 4 ）： 1 .

TIAN H X ， QIN P L ， LI K ， et al . A review of the state of health for lithium-ion batteries： research status and suggestions ［J］. Journal of Cleaner Production ， 2020 ， 261 ： 120813 .

HANNAN M A ， LIPU M S H ， HUSSAIN A ， et al . A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications： challenges and recommendations ［J］. Renewable and Sustainable Energy Reviews ， 2017 ， 78 ： 834 - 854 .

LI J F ， LYU C ， WANG L X ， et al . Remaining capacity estimation of Li-ion batteries based on temperature sample entropy and particle filter ［J］. Journal of Power Sources ， 2014 ， 268 ： 895 - 903 .

NG M F ， ZHAO J ， YAN Q Y ， et al . Predicting the state of charge and health of batteries using data-driven machine learning ［J］. Nature Machine Intelligence ， 2020 ， 2 （ 3 ）： 161 - 170 .

刘月峰，张公，张晨荣，等 . 锂离子电池RUL预测方法综述［J］. 计算机工程， 2020 ， 46 （ 4 ）： 11 - 18 .

LIU Yuefeng ， ZHANG Gong ， ZHANG Chenrong ， et al . Review of RUL prediction method for lithium-ion batteries ［J］. Computer Engineering ， 2020 ， 46 （ 4 ）： 11 - 18 .

韩云飞，谢佳，蔡涛，等 . 基于自动编码器的锂离子电池状态评估方法［J］. 电力系统自动化， 2021 ， 45 （ 24 ）： 41 - 48 .

HAN Yunfei ， XIE Jia ， CAI Tao ， et al . Autoencoder-based state evaluation method for lithium-ion battery ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 41 - 48 .

李超然，肖飞，樊亚翔，等 . 基于卷积神经网络的锂离子电池SOH估算［J］. 电工技术学报， 2020 ， 35 （ 19 ）： 4106 - 4119 .

LI Chaoran ， XIAO Fei ， FAN Yaxiang ， et al . An approach to lithium-ion battery SOH estimation based on convolutional neural network ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 19 ）： 4106 - 4119 .

TAN Y D ， ZHAO G C . Transfer learning with long short-term memory network for state-of-health prediction of lithium-ion batteries ［J］. IEEE Transactions on Industrial Electronics ， 2020 ， 67 （ 10 ）： 8723 - 8731 .

YU Y ， HU C H ， SI X S ， et al . Averaged Bi-LSTM networks for RUL prognostics with non-life-cycle labeled dataset ［J］. Neurocomputing ， 2020 ， 402 ： 134 - 147 .

CINAR Y G ， MIRISAEE H ， GOSWAMI P ， et al . Period-aware content attention RNNs for time series forecasting with missing values ［J］. Neurocomputing ， 2018 ， 312 ： 177 - 186 .

CHEN J C ， CHEN T L ， LIU W J ， et al . Combining empirical mode decomposition and deep recurrent neural networks for predictive maintenance of lithium-ion battery ［J］. Advanced Engineering Informatics ， 2021 ， 50 ： 101405 .

梁海峰，袁芃，高亚静 . 基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测［J］. 电力自动化设备， 2021 ， 41 （ 10 ）： 213 - 219 .

LIANG Haifeng ， YUAN Peng ， GAO Yajing . Remaining useful life prediction of lithium-ion battery based on CNN-Bi-LSTM network ［J］. Electric Power Automation Equipment ， 2021 ， 41 （ 10 ）： 213 - 219 .

LINARDATOS P ， PAPASTEFANOPOULOS V ， KOTSIANTIS S . Explainable AI： a review of machine learning interpretability methods ［J］. Entropy ， 2020 ， 23 （ 1 ）： 18 .

纪守领，李进锋，杜天宇，等 . 机器学习模型可解释性方法、应用与安全研究综述［J］. 计算机研究与发展， 2019 ， 56 （ 10 ）： 2071 - 2096 .

JI Shouling ， LI Jinfeng ， DU Tianyu ， et al . Survey on techniques， applications and security of machine learning interpretability ［J］. Journal of Computer Research and Development ， 2019 ， 56 （ 10 ）： 2071 - 2096 .

CARVALHO D V ， PEREIRA E M ， CARDOSO J S . Machine learning interpretability： a survey on methods and metrics ［J］. Electronics ， 2019 ， 8 （ 8 ）： 832 .

YANG C ， ZHANG H F ， JIANG B ， et al . Aspect-based sentiment analysis with alternating coattention networks ［J］. Information Processing & Management ， 2019 ， 56 （ 3 ）： 463 - 478 .

LUONG T ， PHAM H ， MANNING C D . Effective approaches to attention-based neural machine translation ［EB/OL］. ［ 2022-05-06 ］. https：//arxiv.org/abs/1508.04025v3 https://arxiv.org/abs/1508.04025v3 .

CHEN Z H ， WU M ， ZHAO R ， et al . Machine remaining useful life prediction via an attention-based deep learning approach ［J］. IEEE Transactions on Industrial Electronics ， 2021 ， 68 （ 3 ）： 2521 - 2531 .

崔宇，侯慧娟，胥明凯，等 . 基于双重注意力机制的变压器油中溶解气体预测模型［J］. 中国电机工程学报， 2020 ， 40 （ 1 ）： 338 - 347 .

CUI Yu ， HOU Huijuan ， XU Mingkai ， et al . A prediction method for dissolved gas in power transformer oil based on dual-stage attention mechanism ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 1 ）： 338 - 347 .

MAMO T ， WANG F K . Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries ［J］. IEEE Access ， 2020 ， 8 ： 94140 - 94151 .

刘建伟，刘俊文，罗雄麟 . 深度学习中注意力机制研究进展［J］. 工程科学学报， 2021 ， 43 （ 11 ）： 1499 - 1511 .

LIU Jianwei ， LIU Junwen ， LUO Xionglin . Research progress in attention mechanism in deep learning ［J］. Chinese Journal of Engineering ， 2021 ， 43 （ 11 ）： 1499 - 1511 .

KHAN A ， SARFARAZ A . RNN-LSTM-GRU based language transformation ［J］. Soft Computing ， 2019 ， 23 （ 24 ）： 13007 - 13024 .

LIN C P ， CABRERA J ， YANG F F ， et al . Battery state of health modeling and remaining useful life prediction through time series model ［J］. Applied Energy ， 2020 ， 275 ： 115338 .

SUN S ， SUN J Z ， WANG Z L ， et al . Prediction of battery SOH by CNN-BiLSTM network fused with attention mechanism ［J］. Energies ， 2022 ， 15 （ 12 ）： 4428 .

PATIL M A ， TAGADE P ， HARIHARAN K S ， et al . A novel multistage support vector machine based approach for Li- ion battery remaining useful life estimation ［J］. Applied Energy ， 2015 ， 159 ： 285 - 297 .

WANG W ， XIA C H ， LIU C F ， et al . Study of double combination evaluation of urban comprehensive disaster risk ［J］. Natural Hazards ， 2020 ， 104 （ 2 ）： 1181 - 1209 .

LIU H Q ， WEI Z B ， HE W D ， et al . Thermal issues about Li-ion batteries and recent progress in battery thermal management systems： a review ［J］. Energy Conversion and Management ， 2017 ， 150 ： 304 - 330 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于独立时空特征提取与分组增强的暂态频率安全评估

计及可用容量和调频成本的网侧多储能电站双层优化策略

基于iDGA-LSTM的分布式光伏出力时空协同概率预测方法

基于条件增强扩散模型的短期负荷概率预测