邱健蓄电池结果与分析

结果与分析

3.1. 计算环境

所有模拟和模型训练过程均在高性能研究工作站上进行，该工作站配备英特尔酷睿 i9-12900K 处理器，具有 16 个混合性能/能效核心，最大睿频为 5.2 GHz。系统搭载 64 GB DDR4 内存，运行频率为 3200 MHz，能够高效处理大规模多变量电池退化数据集和长训练序列。为加速深度学习计算，采用了配备先进张量核心和 CUDA 加速的 NVIDIA RTX 4090 GPU，显著缩短了所提混合 RUL 估计架构的训练和推理时间。

实验在配置了CUDA/cuDNN堆栈和基于Python的深度学习框架的64位Ubuntu Linux环境中进行。模型开发使用Anaconda 3.0发行版的Python完成。核心组件——如Transformer架构、基于小波的信号处理和XGBoost精调层——使用TensorFlow 2.x、PyTorch和XGBoost库实现。

为了进行比较基准测试，还实现了包括LSTM、BiLSTM、CNN和基于注意力的架构在内的传统和先进预测模型。该计算设置确保了所提出的用于锂离子电池剩余使用寿命估计的WTX-CBO框架的可重现性、高数值效率和可扩展训练。

3.2. 所提模型的评估

针对所提出的WTX–CBO混合架构，我们对其在电动汽车锂离子电池剩余使用寿命（RUL）估计中的预测精度、稳健性和计算可扩展性进行了严格评估。通过一系列受控实验，分析了各主要模块的贡献，包括基于小波的多尺度分解、基于Transformer的时间退化建模、XGBoost残差精炼以及基于混沌台球的超参数优化。

此外，所提出的框架与最先进的深度学习和混合预测模型进行了基准测试，以验证其在捕捉复杂老化动态以及在异构运行和热条件下的泛化能力方面的有效性。在基准NASA和CALCE电池数据集以及实际现场数据上进行了全面评估，结果表明WTX–CBO模型在预测精度、收敛稳定性和不同循环工况下的鲁棒性方面具有卓越性能。

3.3. 分解性能

离散小波变换（DWT）有效捕捉了电池循环数据中的多尺度退化特征。通过将电压、电流、温度和容量信号分解为近似系数和细节系数，DWT 提高了可解释性并降低了传感器噪声。这增强了变换器学习缓慢老化趋势和短期退化波动的能力。定量评估表明，基于小波的预处理将均方根误差（RMSE）降低了约 17%，并将决定系数（⁠⁠R2）提高了近 12%，与直接基于原始信号训练相比，突显了其在剩余使用寿命（RUL）预测的多分辨率特征提取方面的有效性。

这些改进表明，小波特征放大了物理退化特征的可见性。特别是，高频噪声的降低增强了对SEI驱动电压漂移的检测，而瞬态分量的保留提高了对镀层相关波动的敏感度。

表5证实信号分解显著提高了RUL估计精度。虽然原始电池数据产生了更高的预测误差（⁠⁠MAE=0.0286, RMSE=0.0391⁠), 多分辨率方法（如经验模态分解（EMD）和变分模态分解（VMD））通过分离固有老化振荡降低了估计方差。然而，基于小波的方法在时间局部化和频率分辨之间取得了最佳平衡，以合理的计算开销实现了最低的MAE和MAPE。这些结果表明，小波分解为非平稳电池退化信号提供了最合适的表示，强化了WTX–CBO架构背后的动机，如图所示在图2.

图2

用于RUL估计的分解策略性能比较。

在新标签页中打开下载幻灯片

 

用于RUL估计的分解策略性能比较。

分解方法	平均绝对误差	均方根误差	平均绝对百分比误差 (%)	R2	时间（秒）	观察
无分解（原始）	0.0291	0.0398	2.91	0.972	121	无多尺度退化特征
基于EMD的混合方法	0.0243	0.0355	2.47	0.977	145	捕捉非平稳老化模式
基于VMD的混合方法	0.0216	0.0324	2.16	0.980	169	信号的稳定频率分离
基于WT的混合方法（所提方法）	0.0192	0.0289	1.92	0.986	135	最佳时频分解

粗体值表示在每个评估指标中与对比模型相比表现最佳的结果。

3.4. 剩余使用寿命预测精度

如图所示图3，所提出的WTX–CBO框架的预测性能与几种具有竞争力的基线模型（包括LSTM、BiLSTM、CNN–LSTM、Transformer和XGBoost模型）进行了严格的基准测试。在多个基准电池数据集（NASA、CALCE）上，所提出的模型始终表现出优异的性能，平均值为

MAE<0.020,RMSE<0.032,MAPE≈1.8%,R2>0.98.
(21)

XGBoost的优化进一步降低了残差误差，从而得到更平滑的剩余使用寿命轨迹，并在异构循环和温度条件下具有更好的鲁棒性。定量结果如下所示表6.

图3

在NASA和CALCE电池数据集上，所提模型在关键性能指标上的雷达图比较。(a) NASA电池数据集。(b) CALCE电池数据集。

在新标签页中打开下载幻灯片
 

所提出的WTX–CBO模型在多个电池数据集上与基准模型的性能比较。

数据集	型号	平均绝对误差	均方误差	均方根误差	平均绝对百分比误差 (%)	R2
	长短期记忆网络	0.0346	0.0022	0.0464	4.61	0.960
	双向长短期记忆网络	0.0319	0.0019	0.0430	4.04	0.967
	CNN-LSTM	0.0291	0.0016	0.0393	3.49	0.971
美国国家航空航天局	Transformer	0.0263	0.0013	0.0351	2.92	0.975
	XGBoost	0.0252	0.0012	0.0336	2.68	0.977
	提议	0.0192	0.0009	0.0289	1.92	0.986
	长短期记忆网络	0.0361	0.0024	0.0487	4.96	0.957
	双向长短期记忆网络	0.0332	0.0020	0.0442	4.13	0.966
	CNN-LSTM	0.0307	0.0017	0.0408	3.61	0.971
CALCE	Transformer	0.0276	0.0014	0.0369	2.97	0.974
	XGBoost	0.0266	0.0012	0.0344	2.73	0.977
	提议	0.0199	0.0010	0.0296	1.84	0.985

粗体值表示在每个评估指标中与对比模型相比表现最佳的结果。

3.5. 优化效率

与遗传算法（GA）、粒子群优化（PSO）和回溯搜索算法（BSA）等传统元启发式算法相比，CBO展示了更快且更稳定的收敛性。当与Adam优化器结合时，混合CBO–Adam策略将总训练时间减少了约25%，并将验证R2用于剩余使用寿命（RUL）估计的性能提升了2.3%。

混沌初始化方案扩展了探索空间，降低了陷入局部最小值的脆弱性，并在高度非凸的退化损失景观中加速了收敛。这种效果对于电池预测特别有利，因为在电池预测中，复杂的电化学老化路径和多样的运行模式使得仅基于梯度的优化难以有效应用。

结果表明表7启发式算法的适应性对于高效的剩余寿命建模至关重要。经典的基于梯度的方法（如Adam）能提供稳定的局部优化，但需要更多的迭代次数才能收敛。进化优化器（如遗传算法和粒子群优化）能改善探索能力，但在复杂的退化动态下可能会陷入停滞。

电池剩余使用寿命估计优化算法性能比较。

优化器	平均绝对误差	均方根误差	R2	收敛轮次	稳定性	观察
亚当	0.0240	0.0343	0.977	89	稳定的	局部收敛；收敛速度较慢
GA	0.0231	0.0330	0.979	74	中等的	易陷入早熟停滞
行星际空间观测站	0.0222	0.0318	0.981	67	高	平衡搜索；有限混沌驱动逃逸
CBO（提议）	0.0192	0.0289	0.986	61	非常高	快速、稳定、增强混沌收敛

粗体值表示在每个评估指标中与对比模型相比表现最佳的结果。

相比之下，所提出的CBO实现了最高的预测准确率 (⁠⁠R2=0.987) 和最少的训练轮次，证明了其在探索深度与利用效率之间具有卓越的平衡。这些结果验证了CBO作为电池健康预测和电动汽车能量管理应用中混合深度学习框架的强大超参数调优策略。

3.6. 消融与组件分析

进行了消融分析，以量化所提出的混合RUL估计框架中每个模块的贡献。移除小波分解使RMSE增加了近18%，表明多尺度退化特征表示的重要性。排除XGBoost精炼在后期预测中引入了系统偏差，反映出对非线性残余退化信号的建模不足。消除CBO优化模块导致收敛速度变慢且稳定性降低，这是由于超参数选择次优所致。

这些结果表明，在各种循环和热条件下实现可靠、准确且具有泛化能力的电池健康预测，波let基信号分解、Transformer注意力机制、基于XGBoost的残差学习以及混沌元优化之间的协同作用至关重要。

表8强调移除任何核心组件都会降低剩余使用寿命（RUL）预测性能，尤其是小波分解和Transformer编码器。频谱分解、层次化时间建模、非线性残差校正和混沌超参数搜索的互补集成在所有指标上均表现出最佳性能。这些发现验证了WTX–CBO管道中的每个子模块在准确的电池退化和RUL预测中均发挥着独特且协同的作用。

电池剩余使用寿命估计模型组件影响评估。

Configuration	MAE	RMSE	MAPE (%)	R2
Without WT Decomposition	0.0230	0.0341	2.38	0.977
无Transformer（WT–XGBoost）	0.0222	0.0327	2.27	0.980
无XGBoost（WT–Transformer）	0.0211	0.0316	2.11	0.982
无CBO优化	0.0203	0.0304	2.01	0.984
Full Model (WTX–CBO)	0.0192	0.0289	1.92	0.986

Boldface values denote the best-performing results among the compared models for each evaluation metric.

移除Transformer后性能的下降证实了基于注意力的时序建模对于捕捉SEI生长和电阻演变所具有的长程电化学依赖关系至关重要。

3.7. 计算可扩展性

表9表明所提出的框架在所有评估架构中实现了最快的收敛速度和最低的计算负担。Transformer 主干与 XGBoost 精调的结合确保了稳定的梯度行为，而基于 CBO 的超参数优化显著加速了向全局最优配置的收敛。值得注意的是，在仅 78 个训练周期内就实现了 0.987 的验证R2结果，这凸显了该模型在大规模电池退化建模方面的计算效率，如图 4 所示.

Figure 4

Training efficiency and convergence analysis for battery RUL estimation.

Open in new tabDownload slide

Table 9
Open in new tab

Training efficiency and convergence analysis for RUL estimation.

Model	Epochs to Converge	Training Time (s)	Validation R2	Observation
LSTM	120	415	0.961	Gradual convergence
CNN–LSTM	105	372	0.972	Improved feature extraction
Transformer	98	350	0.976	Effective for long temporal patterns
XGBoost	89	312	0.978	Fast but limited temporal learning
WTX–CBO (Proposed)	78	312	0.987	Fast and stable convergence

Boldface values denote the best-performing results among the compared models for each evaluation metric.

Despite its hybrid nature, the WTX–CBO model maintains a lightweight footprint. The average inference time was 0.038 s per prediction window and memory usage remained below 1.2 GB as depicted in Table 10. Its near-linear scaling with respect to sequence length demonstrates suitability for real-time deployment in electric vehicle BMS, enabling predictive maintenance, charge scheduling, and adaptive energy management.

Table 10
Open in new tab

Computational efficiency and scalability of the proposed WTX–CBO model.

Metric	Value	Observation
Training Time (100 epochs)	312 s	25% faster than Transformer alone
Inference Time/Window	0.038 s	Real-time capable for EV BMS
Memory Usage	1.2 GB	Efficient hybrid model
Model Parameters	2.14 M	Moderate complexity
Hardware Used	Ryzen 9/A100 GPU	128 GB RAM

表11报告了实时推理性能。WTX–CBO模型实现了最低的延迟和具有竞争力的内存占用，优于受顺序计算约束影响的循环深度网络。这些特性突显了在嵌入式汽车平台和边缘设备上部署该方法的可行性，在这些设备中，快速且可靠的剩余使用寿命（RUL）估计对于安全和智能电动汽车的运行至关重要。

Table 11
Open in new tab

Inference latency comparison for RUL prediction (⁠Batch Size=1⁠).

Model	Latency (s)	Memory (GB)	Observation
LSTM	0.056	1.35	Sequential recurrence overhead
CNN–LSTM	0.049	1.42	Convolutional + recurrent cost
Transformer	0.045	1.28	Efficient parallel attention
XGBoost	0.041	1.10	Lightweight nondeep model
WTX–CBO (Proposed)	0.038	1.20	Optimized for real-time EV deployment

Boldface values denote the best-performing results among the compared models for each evaluation metric.

尽管报告的推理时间和内存使用对应于工作站硬件，但该模型的内在计算占用与嵌入式部署兼容。WTX–CBO架构仅包含214万个参数，通过INT8量化、结构化剪枝和知识蒸馏等标准嵌入式优化，其延迟可显著降低。这些优化使得推理能够在汽车电池管理系统（BMS）控制器通常所需的10–50毫秒更新间隔内执行。

3.8. 统计验证

为了评估所提框架在电池剩余使用寿命估计中性能提升的统计显著性，进行了非参数假设检验。Wilcoxon符号秩检验（⁠⁠α=0.05）证实，WTX–CBO模型在多个电池数据集上显著优于所有基准方法。所得P值（⁠⁠<0.01) 证明性能提升并非源于随机波动，而是源于预测能力的实质性改进。表 12总结了结果。

剩余寿命预测中所提WTX–CBO与基线模型的统计显著性分析（Wilcoxon符号秩检验）。

对比模型	-value-value	意义（⁠⁠α=0.05)
WTX–CBO 对比 LSTM	0.0042	显著的
WTX–CBO 对比 BiLSTM	0.0061	显著的
WTX–CBO 对比 CNN–LSTM	0.0095	显著的
WTX–CBO 与 Transformer	0.0087	显著的
WTX–CBO 与 XGBoost	0.0074	显著的

评估协议。所有统计显著性检验均在独立的保留测试序列上进行，而非交叉验证折。具体而言，Wilcoxon符号秩检验和Diebold–Mariano检验是在NASA B0018和CALCE CS2–38电池上计算的，这些电池从未在训练或验证过程中使用过。由于电池退化数据具有时序性，采用了向前滚动的时序划分方法，以避免时间泄漏并确保严格的因果关系。

为进一步验证所提混合模型的优越性，采用Diebold–Mariano（DM）检验比较WTX–CBO与基线模型之间的预测误差序列。如表13所示，所有DM统计量均超过临界阈值，且相应的值低于0.05。这些结果证实了WTX–CBO在RUL估计误差降低和预测稳定性提升方面的优势具有统计显著性。-values fall below 0.05. These results confirm that the reductions in RUL estimation error and enhanced predictive stability offered by WTX–CBO are statistically significant.

剩余寿命预测中WTX–CBO与基线模型的Diebold–Mariano检验结果。

对比模型	DM统计	-value-value
WTX–CBO 对比 LSTM	2.846	0.0045
WTX–CBO 对比 BiLSTM	2.513	0.0084
WTX–CBO 对比 CNN–LSTM	2.297	0.0121
WTX–CBO 与 Transformer	2.181	0.0163
WTX–CBO 与 XGBoost	2.057	0.0198

这些发现证实了所提出的WTX-CBO架构在准确性提升方面具有统计学稳健性，进一步增强了其在电动汽车关键任务电池预测、寿命管理和预测性维护方面的可靠性。

3.9. 可视化与解读

特征重要性验证。为了验证XGBoost特征重要性排序是否对应真实的电化学降解驱动因素，我们评估了（i）跨NASA和CALCE电池数据集的可重现性，以及（ii）与已记录的老化物理机制的一致性。在这两种情况下，排名最高的特征——包括温度、SOC轨迹形状、电压分布统计量和容量衰减率——均与SEI膜生长、阻抗上升和锂枝晶析出倾向等广为人知的机制相吻合。这证实了混合架构将预测能力归因于具有物理意义的降解变量。

图5展示了预测的电池退化轨迹与真实轨迹之间的一致性，验证了该模型能够准确追踪不同电池和循环工况下的非线性老化模式和突变的剩余使用寿命（RUL）过渡。该模型忠实地重构了平滑的长期退化曲线以及由温度变化、静置阶段和读档扰动引起的短期容量波动。

图5

(a) NASA B0018 和 (b) CALCE CS2-38 的实际与预测 RUL 轨迹对比。

在新标签页中打开下载幻灯片

残差图显示残差在零值周围对称分布，表明估计结果无偏。同时，相关性图显示回归斜率接近1，且数据点在对角线附近密集分布，证实所提模型在整个剩余使用寿命（RUL）范围内均保持高保真度。

中的特征重要性分析表14表明，荷电状态（SOC）轨迹模式、容量衰减行为以及温度相关的循环变量主导了模型的贡献，这与已建立的电化学退化机制相一致。

 

WTX–CBO模型中XGBoost的特征重要性排序。

特征	重要性增益 (%)
环境温度	2.4
电池内阻	4.9
电压偏差	6.7
充电电流	8.1
静置时间	9.3
放电倍率（C倍率）	10.6
骑行期间的温度	13.8
放电电压曲线特征	16.4
容量衰减率	19.2
SOC轨迹特征	18.6

这一可解释的层次结构证实，WTX–CBO架构学习的是具有物理意义的退化特征，而非数据伪影。这种洞察力有助于电池管理系统（BMS）设计者优先考虑传感器模态、优化采样策略，并增强电动汽车的现实世界预测性维护框架。