摘要
锂离子电池(LIB)因为其高能量密度和长循环寿命等优点，已经成为我们日常电子设备中不可或缺的一部分。随着全球二氧化碳排放量的增加以及LIB的不断发展，汽车行业的电气化俨然是大势所趋。交通基础设施电气化是当前实现能源可持续发展和低碳出行的最优选择之一。但是，随着电池充放电循环的增加，LIB不可避免地会出现老化和容量衰减现象，内阻增加，带来潜在的安全隐患。 由于电池退化过程的复杂性，要准确估计电池可以持续工作多久是一项严峻的挑战。在电池的实际运行过程中，电池材料体系、充放电策略等各不相同，因此每次充放电对电池容量造成的损伤难以估计。不仅如此，当前的大部分关于锂电池寿命预测的研究均基于特定的循环工况，例如特定的充放电设置和恒温环境。锂电池的实际应用中拥有复杂的工作温度和具有鲜明用户差异的充放电习惯。以新能源汽车而言，纵然拥有出色的热管理系统，车辆电池模块的温度仍然会受到环境温度的影响。另外，车辆的市场定位也会影响电池模组的老化曲线。这对电池剩余使用寿命(RUL)预测模型的实用性和通用性提出了严峻考验。鉴于此，本文提出了基于充电电流、电压、温度和历史放电容量等可直接测量的变量构建深度学习电池 RUL 预测模型，有效地解决了因电池放电过程中的随机工作负载对预测模型造成的干扰，增强了模型的鲁棒性。本文的研究内容主要分为三个部分： （1）提出基于深度卷积神经网络(DCNN)对原始的充电过程变量进行老化特征提取，充分考虑了历史容量与预测容量曲线之间的高度相关性，将历史容量数据进行滞后输入，并融合长短期记忆神经网络对电池的 RUL 进行建模。通过贝叶斯优化算法为模型搜寻最佳的模型和过程超参数。采用美国航空航天局(NASA)的电池老化数据集完成了在不同训练策略和预测起点下的预测性能验证，证明了所提出模型的可行性。 （2）提出一种新型的自适应特征可分离卷积(AFSC)算法，并融合可卷积的长短期记忆神经网络(ConvLSTM)，开发了一个可同时应用于LIB寿命早期预测和实时RUL预测的预测器。另外，注意力机制(AM)的嵌入，增强了模型对关键特征的提取能力，有效地过滤了无用信息。通过单个子网模型、去除AM的子模型与全模型性能进行比较，探索了各算法在全模型中的作用。通过与大量已发表的工作相比较，证明了所提出模型的良好性能。最后，通过对AM的学习权重和特征谱图的可视化，探索了模型的特征处理过程，增强了模型的可解释性。 （3）将Transformer引入锂离子电池RUL预测领域，据我们所知，当前很少有人进行过这方面的研究。相比前两部分的工作，Transformer摒弃了传统的LSTM网络，是一种完全基于自注意力机制的深度学习模型，也是对AM算法的深入，其多头注意力机制能捕捉不同尺度下的老化特征。基于一系列预测起点下的容量估算和 RUL 预测工作证明了Transformer在RUL预测领域的巨大潜力。
NETL