基于循环差异学习的可迁移多阶段模型用于锂离子电池健康状态估计

作为健康状态的重要成分，数据驱动的健康状态（SOH）估计已成为锂离子电池（LiBs）的主流方法。为处理电池间的数据差异，当前的SOH估计模型采用迁移学习（TL），通过复用离线训练模型的部分结构来保留先验知识。然而，电池完整生命周期的多种退化模式使得TL难以实现。引入阶段概念来描述呈现相似退化模式的连续循环的集合。提出一种可迁移多阶段SOH估计模型，以在同一阶段内跨电池执行TL，包含四个步骤。首先，利用已识别的阶段信息，将源电池的原始循环数据重构成高维相空间，以有限传感器探索隐藏动力学。接着，通过带重构数据的循环差异子空间，提出各阶段内跨循环的域不变表示。第三，考虑到不同阶段的放电循环不平衡，提出一种由长短期记忆网络轻量模型与所提时间胶囊网络强力模型组成的切换估计策略以提升估计精度。最后，当目标电池的循环一致性漂移时，一种更新方案补偿估计误差。所提方法在含三个电池的全寿命基准的各种迁移任务中优于其竞争算法。