主題詞：鋰電池剩余使用壽命預測數(shù)據(jù)驅動統(tǒng)一變形器注意力引導機制坐標注意力中圖分類號：TM912 文獻標志碼：A DOI：10.19620/j.cnki.1000-3703.20240396

Remaining Useful Life Prediction of Lithium Battery Based on Attention Enhancement Uniformer

LiaoLiefa2，LiuYingbao1，ZhanYumin1 （1.SchoolofInformationEngineering，Jiangxi UniversityofScienceandTechnology，Ganzhou34ooo;2.Jiangxi Moder Polytechnic College，Nanchang 330095）

【Abstract】To address the isse of dynamic changes in data and limited aging data inthe Remaining Useful Life （RUL） predictionof lithium-ion bateries，thispaperproposes theRUL predictionmodelof AttentionEnhancementUniformer （AEUniformer）torealizecomprehensiveinformationperceptionbyintegratingtheadvantagesofConvolutionalNeuralNetwork （CNN）andSelf-Atention Mechanism through Uniformer.Attention Guiding Mechanism （AGM）and CoordAttentionare designedtorealize powerfulfeature extraction.ExperimentalresultsshowthatAEUniformercanachieveacurateand fastRUL prediction withonlyasingle agingcycle，andthe MAPE prediction errorsofthe datasets are2.7%and 6.16%，respectively， demonstrating the accuracy of the method.

KeyWords：Lithium-ion battery，Remaining Useful Life （RUL），Data-driven，Uniformer. AttentionGuidingMechanism （AGM），CoordAttention

【引用格式】廖列法，劉映寶，占玉敏.基于注意力增強Uniformer的鋰電池剩余使用壽命預測[J].汽車技術，2025（6）：36-44.LIAOLF，LIUYB，ZHANYM.Remaining UsefulLifePredictionofLithium BatteryBasedonAttentionEnhancementUniformer[J].Automobile Technology，2025（6）： 36-44.

1前言

鋰電池因其高能量密度、長循環(huán)壽命和低自放電率等特點而被廣泛應用于儲能和供電領域[。然而，隨著使用時間的增加，電化學反應會導致電池內(nèi)部成分的不斷變化。此外，電流倍增器、溫度和放電深度等許多因素也會加速電池性能下降3，降低電池的使用壽命和安全性，因此精確、穩(wěn)定地監(jiān)測電池的健康狀態(tài)具有重要意義[4]。剩余使用壽命（RemainingUsefulLife，RUL）為電池的容量衰減至失效閾值（通常為標稱容量的80% ）之前剩余的充放電周期次數(shù)，是衡量電池健康狀態(tài)的重要指標之一。

數(shù)據(jù)驅動方法可以在不考慮內(nèi)部電化學系統(tǒng)反應和失效機制的情況下從大量歷史數(shù)據(jù)中學習電池退化規(guī)律，以此分析鋰電池壽命特征參數(shù)與RUL之間的關系[]。Severson等使用結合線性模型和ElasticNet正則化的機器學習方法預測電池的早期壽命，使用前100個周期數(shù)據(jù)的預測誤差為 9.1% 。Fei等人利用參數(shù)化注意力和周期性注意力，探討由各種循環(huán)次數(shù)和參數(shù)組成的輸入數(shù)據(jù)對模型性能的影響，改善對老化信息中關鍵特征的研究。

雖然深度神經(jīng)網(wǎng)絡可以從原始數(shù)據(jù)中自動提取復雜的隱藏特征，但現(xiàn)有方法仍存在一些局限性：首先，預測RUL往往面臨數(shù)據(jù)的動態(tài)變化、老化數(shù)據(jù)有限的問題，且通常輸人信號為長時間序列信號；其次，可用的電池數(shù)據(jù)通常較為有限；最后，模型的泛化性和擴展性較弱，許多研究的驗證是基于使用相同工作條件的少量電池數(shù)據(jù)，對于訓練場景之外和個性化的操作條件的預測精度明顯降低。針對上述問題，提出注意力增強統(tǒng)一變形器（Attention EnhancementUniformer，AEUniformer）。本文首先設計注意力引導機制（AttentionGuidingMechanism，AGM）和坐標注意力（CoordAttention）改進Uniformer，無縫集成卷積和自注意力機制，解決鋰電池退化信息的局部冗余和全局依賴關系問題，實現(xiàn)更好的特征提取和更全面的建模；其次開發(fā)深度學習驅動的預測框架，僅需要電池老化階段1個循環(huán)的數(shù)據(jù)就可以實現(xiàn)電池RUL快速準確的預測；最后在兩個不同充放電配置的數(shù)據(jù)集上進行試驗驗證，證明了所提框架對多場景的電池壽命預測具有較好的泛化能力，而且能夠直接擴展至其他的預測任務。

2注意力增強Uniformer

注意力增強Uniformer整體流程如圖1所示，具體架構如圖2所示。塊嵌人（PatchEmbedding）模塊是對原始數(shù)據(jù)曲線進行降維和去噪，減少整體的計算復雜度，并由Uniformer塊（Uniformerblock）進行淺層和深層退化特征的融合，以解決數(shù)據(jù)中局部信息冗余和全局依賴問題，建立全面的信息感知能力，其中4個Uniformerblock的Transformer層數(shù)分別是3、4、8、3；注意力引導機制（包括維度變換層和模塊殘差注意力），可以彌補PatchEmbedding下采樣過程造成的信息損失并增強層之間注意力的信息流動；坐標注意力為輸入的低、高級特征自適應分配不同權重，增強關鍵信息并去除無用噪聲，進一步提高模型的特征提取能力。

2.1塊嵌入模塊

為了充分學習不同充放電階段的特征表示，塊嵌入模塊使用核大小和步長相等的卷積操作對輸入 X 進行下采樣，通過降低Uniformerblock的輸入序列長度以降低模型的計算復雜度，具體公式如下：

P=R（N（T（F（C（X）））））

式中： N 為輸入 X 經(jīng)過卷積之后的塊（patch）數(shù)量， P₁，P₂ 分別為卷積核和步長的大小， H，W 分別為輸入 X 的高度、寬度， c 為卷積操作， F 為將patch在第二維展平，π 為第一維和第二維的轉置操作， N 為層歸一化（LayerNormalization，LN）， R 為將二維向量重新轉變?yōu)槿S張量結構的轉置歸一化操作， P 為Patch Embedding的輸出。

PatchEmbedding可以捕捉不同時間的退化特征之間的關系，超越了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡的能力。

2.2 Uniformer塊

Uniformerblock能夠實現(xiàn)聚合退化特征的局部上下文信息以濾除特征的突然變化，同時能夠捕獲全局的依賴關系。每個Uniformerblock主要由3部分組成，如圖1c所示，包含動態(tài)位置編碼（DynamicPositionEmbedding，DPE）多頭關系聚合器（Multi-HeadRelationAggregator，MHRA）及前饋層（FeedforwardNeuralNetwork，F(xiàn)FN）。公式如下：

X=U_DPE（X_in）+X_in

Y=U_MHRA（N（X））+X

Z=U_FFN（N（Y））+Y

式中： X_in 為Uniformerblock的輸入； N 為層歸一化；U_DPE 、 U_?MHRA U_FFN 分別為DPE、MHRA、FFN 操作，在Uniformerblock中分別將DPE、MHRA、FFN的輸出 X，Y， Z 傳入至下一層。

2.2.1 動態(tài)位置編碼

位置信息是Transformer學習數(shù)據(jù)表征的重要因素。為了提高靈活性，使用深度卷積（DepthWiseConvolution，DWC）進行局部建模，DWC不僅能夠動態(tài)適應任意的輸入形狀，讓模型隱式編碼位置信息，而且是輕量級的卷積操作，可以有效地降低計算量和參數(shù)量，提高模型的推理速度和運行效率，進而實現(xiàn)計算精度和速度之間的平衡。由此可以讓AEUniformer靈活處理不同輸入分辨率，提升識別性能，計算公式如下：

（204號 U_npc（X_in）=D_DWC（X_in）=（X_in×W_depth）×W_point （20 （6）式中： W_depth 是長、寬、通道數(shù)分別為 K，K，C 的卷積核，針對每個輸入通道獨立進行空間特征提?。?W_point 是長、寬、通道數(shù)分別為 1、1、C 的卷積核，用于通道間的線性組合，以此混合通道信息； D_pwc 為DWC操作。

2.2.2 多頭關系聚合器

關系聚合器（RelationAggregator，RA）通過在淺層（前兩層）和深層（后兩層）的Uniformerblock分別設計局部和全局的令牌（token）相關性，實現(xiàn)高效的表示學習。統(tǒng)一的MHRA以多分支的方式學習特征關系，公式如下：

R_n（X）=A_nV_n（X）

U_MHRA（X）=S（R₁（X）;R₂（X）;…R_n（X））U

式中： ：R_n（?） 為輸入矩陣 X 的第 n 個RA，每個RA由token的上、下文的線性編碼 V_n 和相關性 A_n（ε） 組成； U 為集成 n 個RA的可學習參數(shù)矩陣； s 為將所有RA的參數(shù)矩陣堆疊，最后得到多頭關系聚合器的輸出UMHRA°

在淺層中，MHRA使用卷積風格的可學習參數(shù)矩陣捕獲局部token相關性，通過局部區(qū)域的上、下文聚合極大減少計算冗余。在深層中則繼承自注意力風格，通過token相似度的比較學習全局的token相關性，自適應地構建整個循環(huán)周期的遠程依賴，捕獲電池使用模式的復雜性和時間依賴性。通過逐步分層地堆疊局部和全局的Uniformerblock，可以靈活地整合它們的協(xié)作能力，以充分利用不同尺度的退化特征，實現(xiàn)更準確的預測。局部和全局的相關性公式如下：

式中 ：A_n^local 為淺層中局部的token相關性計算結果， A_n^global 為深層中全局的token相關性計算結果， 為當前位置 i 的局部鄰域， X_i 為當前 token，X_j 為當前 token 的任何相鄰 token，a_n 為自適應的可學習參數(shù)， （i-j） 為 token 之間的相對位置， Q_n 及 K_n 為線性變換。

2.3 注意力引導機制

為了增強相鄰AEUniformer層之間特征級別的信息流以提高特征多樣性，提出模塊殘差注意力（BlockResidualAttention，BRA），如圖1c所示。采用一種新的殘差連接引導注意力在同一層高效傳播，學習提取新特征表示，同時考慮之前提取的特征表示。為了避免傳播積累的特征表示所占比重過大導致模型難以學習到深層表示，設計一個可學習的加權特征（WeightedFeature，WF）函數(shù)，平衡聚合過程中從前一個MHRA傳輸?shù)疆斍癕HRA的殘差注意力，公式如下：

（20號 i=1 其他

式中：i為第i層Uniformerblock模塊； WF 為加權特征融合函數(shù)； α 為可學習的權重參數(shù)； L_i 為第 i 層Uniformerblock中MHRA的最終輸出，當 i=0 時，當前的MHRA正常正向傳播，反之則與上一層中的MHRA輸出進行加權融合，以此來傳播前一層的特征之間聚合信息的注意力。

2.4 坐標注意力

輸入的三維張量結構 X 包括特征參數(shù)、充放電階段、老化周期數(shù)信息，這些因素對電池RUL預測的貢獻各異，而標準卷積和自注意力機制難以學習到作為通道的電池參數(shù)關系8]，因此，在淺層和深層Uniformerblock之間引入CoordAttention。如圖3所示，該機制能夠將循環(huán)階段和老化周期信息嵌入到特征參數(shù)注意力中，其主要方式是將參數(shù)注意力分解為兩個沿著循環(huán)階段和老化周期方向聚合特征的一維特征編碼過程，由此可以沿著循環(huán)階段方向保留精確的位置信息，還可以沿著老化周期方向捕獲長程依賴，隨后將生成的特征圖分別編碼，形成一個對方向感知且對位置敏感的特征圖，二者可以互補地應用到輸人特征圖來增強對感興趣目標的表示。

3試驗

3.1數(shù)據(jù)處理

為了評估不同工況下的電池RUL預測準確性，本研究選取目前可獲取的、規(guī)模最大的不同充電策略和放電策略的老化數(shù)據(jù)集進行試驗，分別來自麻省理工大學（MassachusettsInstituteofTechnology，MIT）和華中科技大學（Huazhong University of Science and Technology，HZUST），如表1所示。MIT數(shù)據(jù)集中的電池多采用兩步恒流快速充電策略，而HZUST數(shù)據(jù)集中的電池則采用不同的多級放電策略。兩個數(shù)據(jù)集均在恒定 30^°C 的實驗室中進行循環(huán)試驗。電池容量衰減軌跡如圖4所示。

MIT數(shù)據(jù)集存在采樣不穩(wěn)定、測試提前停止、溫度記錄失敗等問題，需要對數(shù)據(jù)進行清洗。首先刪除極端壽命的電池以及異常電池，然后從原始電池數(shù)據(jù)中提取電壓 V_? 電流 I_? 溫度 T， 容量 Q 和充放電時間 χ_t 作為輸入特征，使用絕對中位差將異常值替換為兩端的線性插值，采用Savitzky-Golay濾波器進行平滑去噪。清洗過后的特征變化曲線如圖5所示，發(fā)現(xiàn)不同的充電策略對電池的電壓曲線影響顯著；隨著循環(huán)次數(shù)的增加，不同電池的初始溫度存在差異，但增長趨勢相似；此外，較大的充電電流和較長的快速充電時間均可導致電池容量的快速衰減。由于HZUST數(shù)據(jù)集未記錄溫度，選擇其余4個特征作為模型輸入。

為了整合單個周期數(shù)據(jù)中包含的多維信息，使用滑動窗口將5個特征參數(shù)整合為一個三維的輸入張量X∈R^C×H×W ，其中 分別對應電池參數(shù)、循環(huán)階段、老化周期，如圖1a所示。使用線性插值將MIT數(shù)據(jù)集的周期數(shù)據(jù)重采樣為定長的500個數(shù)據(jù)點。對于HZUST數(shù)據(jù)集，由于實際應用中難以收集個性化的放電特征曲線，因此選擇充電階段的數(shù)據(jù)作為輸入并重采樣為100個數(shù)據(jù)點。對特征做歸一化處理保持輸人數(shù)據(jù)的穩(wěn)定性和一致性。歸一化公式如下。

式中： x_max，x_min 分別為輸入向量 的最大值、最小值。

MIT數(shù)據(jù)集分為92個電池的訓練集和23個電池的測試集。HZUST數(shù)據(jù)集分為55個電池的訓練集和22個電池的測試集。

3.2評價指標

使用平均絕對誤差（MeanAbsoluteError，MAE）平均絕對百分比誤差（MeanAbsolutePercentError，MAPE）均方根誤差（RootMeanSquareError，RMSE）和決定系數(shù) R² 作為評價指標。計算公式如下：

式中： E_MAE?E_MAPE?E_RMSE?E_R² 分別為MAE、MAPE、RMSE、R² 的計算結果， 為RUL的預測值， .y. 為真實值， 為真實值的平均值， n 為樣本的總長度。

3.3特征選擇實驗

為了評估各個電池參數(shù)對RUL預測的影響，基于原始電池參數(shù)，即 V，I，T，Q，t 構建多種參數(shù)組合作為模型的輸入。對比結果如表2所示。

觀察預測結果可以發(fā)現(xiàn)，考慮全部的電池參數(shù)能夠實現(xiàn)最佳的預測性能，其中 R² 達到最高值為0.983，MAE和RMSE也分別達到最優(yōu)值，證明了本方法的準確性和有效性。盡管單獨使用特征 V，I，T，Q 作為輸入會導致相對較大的誤差，但其對數(shù)據(jù)量的要求卻大幅降低，且僅使用單個周期的情況下，該模型仍然能夠達到可接受的性能水平[]，MAE和RMSE分別為40個和50個周期左右，這也從側面證明了該模型的魯棒性；而單獨將t作為輸人的預測效果較差，說明單獨的t并不能體現(xiàn)電池的退化趨勢，需要和其他參數(shù)一同組合輸入；

組合V和I作為輸入的結果沒有明顯的提升，說明V和I包含較多相同的信息，因為充放電過程中1的激勵會直接導致V產(chǎn)生相同的趨勢變化；組合特征 V，I，t 作為輸入可達到較好的預測結果，3個評價指標分別為28個周期、35個周期和0.966，在添加體現(xiàn)內(nèi)阻變化的T或者表征健康狀態(tài)的 Q 之后預測結果大幅提升，說明溫度和容量都能夠反映電池的退化趨勢，可以和電流、電壓互補。由此說明，單周期數(shù)據(jù)已經(jīng)包含足夠的退化信息，能夠高精度地預測基本的電池特性。

在實際應用中，受限于傳感器測量精度、環(huán)境干擾等客觀因素，溫度T和容量 Q 往往難以達到理想的精準度。為了準確地評估測量誤差對RUL預測模型的影響，引入噪聲模擬現(xiàn)實場景中的測量不確定性。具體而言，分別對T和Q的測量數(shù)據(jù)中單獨添加標準差為0.1的高斯噪聲，以及對T和 Q 同時添加標準差為0.1的高斯噪聲。通過該方式量化噪聲對預測模型性能的影響，從而評估預測模型在真實應用環(huán)境中的魯棒性。試驗結果如表3所示。

當僅在特征 T 中引入噪聲后，預測結果呈現(xiàn)輕微下降，MAE、RMSE 、R² 分別由20個周期、25個周期、0.983降至22個周期、29個周期、0.978，這表明盡管存在測量誤差，但模型仍能維持較高的預測性能。當僅在Q中添加相同高斯噪聲后，預測性能下降幅度更大，但相比于 的組合而言，其預測效果依舊更優(yōu)。相比于T，特征 Q 的噪聲對模型性能的影響更為顯著，這是由于特征Q對RUL預測的重要性更高，其噪聲對模型特征的擾動更強。而同時在TQ特征中添加噪聲時，預測的效果相對最佳， R² 低于0.001，這歸因于噪聲的疊加效應，模型對多特征噪聲具有特定的魯棒性，能夠通過數(shù)據(jù)之間內(nèi)在的復雜關系來削弱噪聲的影響。這充分表明AEUniformer在實際應用中具有較強的魯棒性，能夠有效應對測量誤差和噪聲干擾，從而在真實應用環(huán)境中依然能夠保持較高的預測準確性。

3.4消融試驗

為了觀察AGM、CoordAttention模塊的實際貢獻，構建4個獨立的網(wǎng)絡模型，分別是Uniformer、 AGM+ Uniformer、CoordAttention+Uniformer 和 AEUniformer。

輸人為5個電池參數(shù)特征組合而成的三維張量結構，預測結果如表4和圖6所示。試驗結果可以驗證AEUniformer模型比基準模型Uniformer具有更好的預測精度，評估指標結果MAE、RMSE、 R² 分別為20個周期、25個周期、0.983，均達到最優(yōu)水平。而且所引入的額外參數(shù)量僅為Uniformer的 0.33% 。本文所設計的AGM、CoordAttention模塊對基準模型的性能提升效果顯著。其中Uniformer的預測結果波動最為劇烈，最大MAE為121個周期，最小MAE為12個周期，整體表現(xiàn)最差，且有7個電池的誤差高于40個周期，尤其是測試集中編號為16、22、23中的3個電池，這歸因于特殊循環(huán)條件和長壽命電池訓練樣本的稀缺性，導致數(shù)據(jù)分布不平衡。AGM+Uniformer通過有效地加強模型自注意力機制的特征流動，增強深層與淺層之間多尺度特征的全局維度交互，MAE下降近 35% ，RMSE下降近26% R² 提升近0.03；CoordAttention ⁺ Uniformer通過加強模型對參數(shù)、老化周期和循環(huán)階段的信息建模，對輸人特征圖中包含重要電池壽命信息的關鍵區(qū)域提取有價值的信息，MAE下降10個周期，RMSE下降9個周期， R² 提升近0.02。當添加AGM或CoordAttention模塊后整體的MAE明顯下降，工況復雜、壽命長、誤差較大的電池的預測結果顯著提升，證明兩個模塊可以在不增加計算復雜度的情況下，降低信息損失并提高模型的特征提取能力，從而實現(xiàn)電池老化階段任何單個周期的RUL預測。

3.5對比試驗

為了進一步驗證AEUniformer的精度和魯棒性，與先前先進方法進行比較，結果如表5所示。ElasticNet提取前100個周期的容量方差曲線和放電容量相關特征，沒有考慮到退化的時序信息，預測效果較差；膨脹卷積神經(jīng)網(wǎng)絡（DilatedCNN）方法[通過連接4個周期的老化數(shù)據(jù)獲得更高分辨率的輸入特征，使用DilatedCNN學習原始數(shù)據(jù)中的時間模式和電池參數(shù)之間的相關性，效果相比ElasticNet有所提升，但未實現(xiàn)老化信息的全局依賴；梯度提升回歸樹（GradientBoostingRegressionTree，GBRT）方法[12構建并探索各種高成本高性能的特征，包括電壓、容量和溫度的相關特征，利用GBRT建立復雜的非線性電池動態(tài)模型以實現(xiàn)有效的壽命預測；遷移學習并行混合方法（TransferLearningParallelHybrid，TLPH）[13]使用基于圖像的輸入和健康指標的復雜特征工程組合來改進現(xiàn)有的方法，但需要7366445個參數(shù)量實現(xiàn)MAE為47個周期的的預測結果，接近本文方法的7倍，而本文提出的模型從單個周期原始循環(huán)數(shù)據(jù)中獲取關鍵知識，而不依賴于高成本的手工特征，通過注意力增強機制更好地適應不同場景下的數(shù)據(jù)復雜度和突然擾動性，從有限的數(shù)據(jù)中高效地提取特征，最佳情況時可以實現(xiàn)MAE為20個周期和RMSE為25個周期，分別比現(xiàn)有模型降低 58%～70% 和61%～88% ，MAPE提升 8%～17% ，同時參數(shù)量減少2＼～6倍，實現(xiàn)了預測精度和成本的最佳平衡。

AEUniformer在使用壽命分別近 500，800，1200 1600個周期的部分測試電池的預測結果如圖7所示。對于1600個周期的長壽命電池而言，單個周期的退化通常并不顯著，難以提供足夠的信息用于精準預測，而AEUniformer能夠從局部和全局的時空視角提取序列特征信息，抗干擾能力強，其注意力引導機制和CoordAttention可以進一步提升特征提取能力，使得電池整個生命周期的預測誤差均維持在較低水平。 99% 的低于1200個周期的中短壽命電池的預測誤差均小于40個周期，這充分證明了本文的方法和模型可以準確地預測工況復雜的電池RUL，尤其在退化后期，隨著鋰電池運行周期和工作時長的增加，退化特征不斷增強，模型的預測精度更高。這些結果充分證明所提方法在不同充電策略下對整個有效壽命范圍內(nèi)的RUL預測具有較高的精度和較強的魯棒性，針對不同運行工況和壽命范圍的電池均有較好的預測結果，可為電池管理系統(tǒng)提供有效的健康保護參考依據(jù)。

3.6泛化試驗

為了驗證所提出模型的魯棒性和泛化性，使用放電策略個性化的HZUST數(shù)據(jù)集進行試驗驗證，試驗結果如表6所示。與深度遷移框架CNN-LSTM-TL及ElasticNet做對比，AEUniformer可以從充電數(shù)據(jù)中自動提取有價值的特征，使用鋰電池任意老化階段的30個周期數(shù)據(jù)作為模型的輸人，實現(xiàn)了在任何充、放電周期下的實時個性化健康狀況預測，達到了MAPE為8.72% 和RMSE為186個周期的預測結果，3個評價指標結果均優(yōu)于ElasticNet，而且無需復雜的特征工程。而本文提出的AEUniformer同樣不需要高性能的手工特征，僅使用最少的5個老化周期就可以實現(xiàn)RMSE為52個周期，同時MAPE和 R² 分別是 6.16% 和0.91的最優(yōu)預測結果，充分證明了本文所提模型的泛化性和魯棒性。

3.7早期壽命預測試驗

以上試驗結果表明，AEUniformer在使用任何老化階段的數(shù)據(jù)預測電池RUL任務中具有優(yōu)越性和實用性，與此同時，最新研究可以根據(jù)一定范圍內(nèi)的初始循環(huán)數(shù)據(jù)評估電池的總使用壽命，實現(xiàn)批量估計和電池壽命篩選，對于加速電池技術發(fā)展、降低生產(chǎn)和維護成本、提高系統(tǒng)的安全性至關重要。因此，本文設計早期電池壽命預測試驗驗證AEUniformer在實際應用場景中的穩(wěn)定性和可靠性，與3種先進方法進行比較。ElasticNet方法根據(jù)電壓作為容量函數(shù)的曲線，從前100次循環(huán)的退化數(shù)據(jù)中提取包括直接、演變和統(tǒng)計方面的18個手工制作的特征，并輸入到ElasticNet中進行早期電池壽命預測。GBRT方法構建并探索各種特征，包括電壓、容量和溫度相關特征，研究關鍵的超參數(shù)以實現(xiàn)最佳的GBRT預測。多階段時間序列處理框架（Multi-StageTimeSeriesProcessingFramework，MSTSPF）方法[14針對周期內(nèi)的電壓、電流、溫度和跨周期的放電容量提出一種基于注意力機制的MSTSPF，采用交叉注意力機制對特征進行融合，進一步提高預測性能，試驗結果如表7所示。

觀察試驗結果發(fā)現(xiàn)對于電池的早期壽命預測任務，所提出的框架具有更高的預測精度和更早的預測點，而且僅需使用早期的第1個測試周期的退化數(shù)據(jù)。在測試集上實現(xiàn)了MAE為29個周期，與其他3個方法相比降低了 36%～63% ，RMSE為40個周期，與其他3個方法相比降低了 59%～82% ，MAPE降低了 40%～65% 。

4結束語

本文提出了一種用于鋰電池RUL預測的深度學習網(wǎng)絡，鑒于鋰電池退化信息存在局部冗余和全局依賴關系問題，該網(wǎng)絡只需要退化過程中任意一個循環(huán)周期的數(shù)據(jù)就可以實現(xiàn)準確快速的預測。首先，將充放電過程的單個周期數(shù)據(jù)組合成三維張量的輸人結構，利用卷積操作的歸納偏置原理有效降低充放電階段的局部信息冗余；其次，利用Transformer的自注意力捕獲長距離依賴關系。通過注意力引導機制增強注意力內(nèi)部的信息流動并最小化局部空間信息損失，使用CoordAttention模塊對特征參數(shù)、充放電階段、老化周期信息進行動態(tài)加權，實現(xiàn)對特征關系的全面建模。通過不同充電策略和不同放電策略的數(shù)據(jù)集進行驗證，證明了AEUniformer具有更高的準確性，更快和更早的預測，以及更好的泛化性，在加速鋰電池的設計優(yōu)化、在線診斷和回收領域具有強大的潛力。

參考文獻

[1] ZHANG S Z，ZHAI B Y，Guo X，et al.Synchronous EstimationofStateofHealthandRemainingUsefulLifetime forLithium-IonBatteryUsingtheIncremental Capacityand Artificial Neural Networks[J].Energy Storage，2O19，26.

[2]YANGXG，LENGYJ，ZHANGGS，etal.Modelingof Lithium Plating Induced Aging of Lithium-Ion Batteries： Transition From Linear To Nonlinear Aging[J].Power Sources，2017，360：28-40.

[3]ZHAOB，ZHANGWG，ZHANGYR，etal.Researchon the Remaining Useful Life Prediction Method for Lithium-Ion Batteries by Fusion of Feature Engineering and Deep Learning[J].Applied Energy，2024，358.

[4]段慧云，夏威，邵杰，等.基于充電健康因子優(yōu)化和數(shù)據(jù)驅 動的鋰電池剩余使用壽命預測[J].汽車技術，2024（1）：20- 26. DUAN H Y，XIA W，SHAO J，et al.A Data-Driven RemainingUsefulLifePredictionApproachforLithium-Ion Batteries Based on ChargingHealth Feature Optimization[J]. Automobile Technology，2024（1）：20-26

[5] ZHANG C F，DONG M X，OTA K R.Enabling Computational Intelligence for Green Internet of Things： Data-Driven Adaptation in LPWA Networking[J]. IEEE Comput.Intell.Mag.2020，15（1）：32-43.

[6]SEVERSONKA，ATTIAPM，JIN N，et al.Data-Driven PredictionofBatteryCycleLifeBeforeCapacity Degradation[J]. Nature Energy，2019，4（5）： 383-391.

[7] ZHAO W J， DING W， ZHANG S J， et al. A Deep Learning Approach Incorporating Attention Mechanism and Transfer Learning for Lithium-Ion Battery Lifespan Prediction[J]. Journal of Energy Storage，2024，75.

[8] HOUQ B，ZHOU D，F(xiàn)ENG J.Coordinate Attention for Efficient Mobile Network Design[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Nashville TN USA．Nashville，IEEE，2021： 13713-13722.

[9]MAGJ，XUS，JIANGB，etal.Real-Time Personalized Health Status Prediction of Lithium-Ion Battries Using DeepTransferLearning[J].Energyamp; Environmental Science，2022，15（10）： 4083-4094.

[10]HSUCW，XIONGR，CHEN NY，et al.Deep Neural Network Battery Life and Voltage Prediction by Using Data of One Cycle Only[J].Applied Energy，2022，306.

[11] HONG J， LEE DH， JEONG ER， et al. Towards the Swift Prediction of The Remaining Useful Life of Lithium-Ion Batteries with End-To-End Deep Learning[J]. Applied Energy，2020，278.

[12] YANG FF，WANG D，XUF，ETal. Lifespan Prediction of Lithium-IonBatteriesBased onVariousExtracted Features and Gradient Boosting Regression Tree Model[J]. Journal of Power Sources，2020，476.

[13] COUTURE J，LIN X K. Image-and Health Indicator-Based TransferLearningHybridizationforBatteryRUL Prediction[J].EngineeringApplicationsofArtificial Intelligence，2022， 114.

[14] GAO MX，F(xiàn)EI Z C，GUODX，et al.A Multi-Stage Time SeriesProcessingFrameworkBasedonAttention Mechanism for Early Life Prediction of Lithium-Ion Batteries[J].Journal of Energy Storage，2O24，84. （責任編輯 王一）

修改稿收到日期為2024年6月6日。