邱健蓄电池混合神经网络架构在锂离子电池剩余使用寿命预测中的应用

准确预测锂离子电池剩余使用寿命(RUL)对储能系统可靠性评估至关重要。本文提出一种新型RUL预测框架，该框架由混合神经网络模型和端到端的分散熵增强自适应小波变换(DEiAWT)方法组成。通过皮尔逊与斯皮尔曼相关系数分析，我们从容量、电压及电压变化率中构建了寿命特征。采用自适应小波-分散熵融合方法抑制噪声影响，该方法通过时频分析与信息熵的融合处理非平稳、非周期性信号。Mamba2捕捉寿命特征中的长程依赖关系，而坐标注意力增强的混合专家网络模型（MoCAE）则提取多维耦合寿命信息。该方案与卷积神经网络（CNN）结合，实现了局部一致性补充。思维创新策略（TIS）算法通过融合牛顿公式与黄金比例机制进行优化，从而获得所提模型的关键参数最优解。自适应带宽核密度估计（ABKDE）通过区间量化与概率密度评估实现对预测不确定性的量化表征。在三个数据集中九组电池的剩余使用寿命（RUL）预测结果表明，该方法具有显著的预测精度与鲁棒性优势，可为电池系统提供更有效的风险决策支持。

引言

锂离子电池（LIBs）因其高能量密度、长循环寿命和低自放电率，已成为电动汽车（EVs）和大规模储能系统（ESS）不可或缺的核心组件[1][2][3]。随着全球能源转型进程加速，对锂离子电池可靠性、安全性和经济性的要求日益严格[4]。然而在长期循环过程中，锂离子电池不可避免地会出现性能衰退，其容量与功率随时间逐渐衰减。这不仅影响系统运行效率，还可能trigger热失控等严重安全事故[5][6]。因此，准确预测锂离子电池的剩余使用寿命（RUL），对于预防突发故障、实施预测性维护、保障系统安全以及提升电池全生命周期价值具有至关重要的意义[7]。
剩余使用寿命（RUL）是表征电池老化与性能可靠性的关键指标，其定义为电池从当前状态至容量衰减至预设失效阈值[8][9]期间可经历的充放电循环次数，具体表达式如下：RULi=CycleEOL−Cyclei其中，RULi表示第i次循环时的剩余使用寿命，CycleEOL代表锂电池达到寿命终止（EOL）阈值时的总循环次数，Cyclei表示预测起始点的循环周期数。
从电池使用角度来看，寿命终止阈值通常定义为标称容量的70%至80%。然而，锂离子电池的退化过程是一个受多种内外因素耦合影响的复杂、非线性、非平稳物理化学过程。内部因素包括固体电解质界面膜（SEI）的持续生长与重构[10]、活性锂损失[11]以及正负极材料的结构相变与断裂[12]。外部条件涉及充放电倍率（C-rate）、环境温度、放电深度（DOD）、制造工艺差异及荷电状态（SOC）波动[13][14]。这些因素的相互作用导致电池退化轨迹具有高度不确定性、单体间差异性和多阶段特征[15]，使得剩余使用寿命预测成为极具挑战性的任务。
现有锂电池剩余使用寿命（RUL）预测方法主要分为基于模型的预测、数据驱动方法以及混合方法三大类[16][17]。基于模型的方法通过建立物理、化学或经验模型，试图描述容量衰减、机理变化与电压、电流、温度等外部可测量变量之间的映射关系，进而实现电池RUL预测。常用方法包括经验模型[18]、电化学模型[19]、等效电路模型（ECM）[20]及其简化变体。这些模型常与粒子滤波（PF）[21]、无迹卡尔曼滤波（UKF）[22]等状态估计算法结合使用，以实现状态估计和RUL预测。尽管此类方法具有明确的物理解释性，但其预测精度高度依赖模型精确度，且在复杂多变的实际工况下往往表现出适应性不足的局限性[23]。
近年来，数据驱动方法已成为预测电池剩余使用寿命（RUL）的主流研究手段，因其无需复杂内部机制建模，而是从历史运行数据中提取特征以学习退化规律与映射关系[24]。早期研究广泛采用支持向量回归（SVR）[25]、相关向量机（RVM）[26]及高斯过程回归（GPR）[27][28]等传统机器学习方法，这些方法在小样本条件下展现出优越性能。随着大数据技术的进步，深度学习方法展现出强大的特征提取与序列建模能力。例如Xie等[29]提出基于数据预处理与先验知识辅助的CNN-LSTM模型，该模型首先利用同类电池的预处理数据进行预训练以获取先验知识，再采用实时容量数据完成训练与预测。循环神经网络（RNNs）及其变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），已被用于捕捉容量序列中的时序依赖性。例如，Tang等人[30]采用CNN-LSTM模型从容量-电压曲线中提取空间特征与时序信息，以实现锂电池寿命的早期预测；Li等人[31]提出了一种混合TCN-GRU-DNN模型用于锂电池剩余使用寿命预测。注意力机制[32]和Transformer架构[33]进一步增强了模型对长序列关键信息的聚焦能力。例如，Zhang等[34]提出了一种基于Transformer的双维度自注意力（DAST）深度学习方法，该方法采用平行编码器设计分别进行特征提取与融合，在处理长序列数据方面具有优势；Hu等[35]引入了极坐标交叉注意力机制以深度融合时间序列与物理信息，提升了SOH估计的精度与泛化性；Hou等[36]提出了一种融合物理信息约束的增强型Transformer模型，实现了SOH与RUL的联合预测。此外，在工业装备RUL预测这一更广泛领域，针对多变量耦合与长期预测的挑战，Hu等[37]提出了M²BIST-SPNet模型。通过构建多尺度与多频域分支交互架构并结合时空注意力机制，该模型能有效捕捉不同频域的退化特征及变量间的相互依赖关系，从而为锂电池多模态老化模式的建模提供跨域分析视角。
此外，神经网络模型的输入特征对预测精度至关重要。数据集中的原始信号常含有噪声和非平稳波动，若直接输入模型将引入显著干扰。针对输入数据去噪问题，Cheng等[38]采用经验模态分解(EMD)将电池容量数据分解为本征模态函数(IMFs)和残差分量(RES)，有效降低了噪声干扰；Ding等[39]利用变分模态分解(VMD)将电池容量序列分解为多个IMF分量，并采用布谷鸟优化方法优化VMD中的分解层数K和惩罚因子α；Zhou等[40]提出CVIT方法，先采用自适应噪声完备集合经验模态分解(CEEMDAN)进行信号分解，再通过VMD对高频分量进行二次分解；Kim等[41]提出了一种结合离散小波变换(DWT)与改进半经验(ISE)模型的方法，其中ISE模型先进行容量估计，再通过DWT进行多级分解与重构，在保留有效信息的同时去除噪声；Sangiri等人[42]采用离散傅里叶变换(DFT)方法与汉宁窗相结合来提取电池老化特征，降低了噪声对结果的影响。Hu等人[43]运用小波阈值去噪方法平滑电池容量数据并降低噪声干扰；然而阈值的选取λ显著影响去噪效果，并可能导致部分有用信号（如短期波动或容量再生突变等关键退化信息）的丢失。近年来，预测领域的研究探索了贝叶斯混合建模方法，该方法通过同步融合物理知识与概率推断来提升不确定性量化与预测可靠性。例如，Weng等人[44]开发了一种混合贝叶斯物理信息神经网络框架，该框架结合了控制方程、数据驱动节点和变分贝叶斯推理，用于锂电池退化预测。与此同时，近期深度学习架构研究了特征分离或解缠结构，以提高跨工况的鲁棒性或提取特定领域的退化模式。胡等人[45]提出了一种深度特征解缠迁移学习网络，用于分离域不变特征与私有特征以实现鲁棒的剩余使用寿命预测。然而，贝叶斯混合模型通常依赖于先验-后验推断机制，这会导致计算负担加重且对先验选择敏感。Lyu等人[46]提出了一种特征分离与自适应对齐模型，将深层特征分解为共享和特定成分，从而提升跨域性能。但此类特征分离架构会引入额外的结构复杂性，且现有方法大多对自适应信号分解和噪声感知特征重构关注有限。
尽管上述数据驱动的预测与去噪方法已取得显著进展，若干挑战依然存在。例如，由于卷积神经网络、循环神经网络及其变体存在梯度消失或爆炸等问题，捕捉长程依赖关系仍具难度[47]。相比之下，基于Transformer的模型虽然具备强大的建模能力，但其自注意力机制会随序列长度产生二次方计算复杂度，导致训练与推理成本居高不下[48]。经验模态分解（EMD）等方法易产生模态混叠现象，对高频数据的分解效果欠佳。虽然变分模态分解（VMD）能抑制模态混叠并提升分解精度，但其存在信号边界不稳定性、长序列处理效率低下以及对参数设置先验知识依赖性强等问题。完全自适应噪声集合经验模态分解（CEEMDAN）则存在计算负荷高的缺陷，而傅里叶变换、固定小波基等传统固定基分解方法在提取与退化相关的鲁棒时频特征时缺乏自适应性。此外，电池衰减机制呈现出显著多样性，表现为不同电池（甚至同一电池在不同老化阶段）受不同主导机制调控，例如早期阶段的SEI膜生长、中期阶段的活性材料损失以及后期阶段的锂枝晶析出[49][50]。单一的深度学习网络模型难以同时捕捉多尺度和多模式的衰减特征，因而限制了其整体预测性能。
为解决Transformer模型计算复杂度高的问题，状态空间模型（SSMs）如结构化状态空间序列模型（S4）[51]和Mamba[52]在长序列建模方面取得了显著进展。通过引入输入依赖的选择性机制和硬件优化的并行扫描算法，Mamba实现了线性计算复杂度和卓越的长程上下文建模能力，为处理全生命周期电池数据提供了新方法[53]。近年来，NVIDIA的Nemotron-H模型采用Mamba层替代大部分自注意力层，构建了80亿参数的混合Mamba-Transformer架构56B参数量模型通过规模效应实现了显著的推理加速，同时保持预测精度[54]。然而此类模型依赖大规模计算资源和工程化训练，难以适用于小样本电池剩余使用寿命预测场景。Huang等[55]将Mamba-1模型应用于电池RUL预测，该模型主要依靠线性状态更新和受限的隐状态交互进行时序建模，结构虽简单，但在特征提取深度和多尺度依赖捕捉方面存在局限，无法充分反映电池不同退化阶段的特征变化，且缺乏噪声抑制机制。为增强模型对复杂电池退化模式的表征能力，混合专家（MoE）模型已被初步引入电池RUL预测领域。例如，Chen等人[56]提出了一种将MoE与注意力机制相结合的AttMoE模型。尽管该研究初步验证了MoE架构在该领域的可行性（RMSE值介于0.07至0.08之间），但仍存在较大的改进与优化空间。
为应对上述挑战，本文提出一种基于Mamba2-MoCAE-CNN架构的新型锂电池剩余使用寿命预测框架，采用多尺度自适应小波-散布熵特征融合方法。图1展示了该架构的整体工作流程。本研究的核心贡献可归纳如下：

• (1)
  提出一种端到端的散布熵增强型自适应小波变换（DEiAWT）方法，该方法将小波分解与重构滤波器参数化为可通过反向传播优化的可训练变量，使电池特征分解能自适应寿命特性。
• (2)
  设计一种基于离散熵与能量因子的联合加权滤波机制，用于高频细节系数的智能去噪，在有效抑制噪声的同时保留与劣化相关的关键波动信息。
• (3)
  构建一种新型的Mamba2-MoCAE-CNN混合架构，该架构利用Mamba2区块高效捕捉降解序列中的长程依赖关系，采用MoCAE区块动态激活不同专家网络以学习多模式降解特征，并整合CNN卷积区块来增强局部连贯性。
• (4)
  开发一种改进的思维创新策略（ITIS）超参数优化算法，该算法融合基于牛顿法的精细化调整与黄金比例自适应调节机制，用以优化关键模型超参数，从而提升模型性能与鲁棒性。
• (5)
  在三个电池数据集（CALCE、MIT和HUST）上采用所提方法进行全面的电池寿命预测实验，并通过与不同基线策略的对比评估验证其有效性。