基于分层对齐迁移学习的锂离子电池容量估计_翟智.pdf

第 12 卷 第 4 期2023 年 4 月Vol.12 No.4Apr.2023储能科学与技术Energy Storage Science and Technology基于分层对齐迁移学习的锂离子电池容量估计翟智1,2，王福金1,2，邸一1,2，马珮羽1,2，赵志斌1,2，陈雪峰1,2（1西安交通大学机械工程学院，陕西 西安 710049；2装备运行安全保障与智能监控国家地方联合工程研究中心，陕西 西安 712046）摘要：精准的容量估计对锂离子电池健康管理和预测性维护具有重要意义。近年来，数据驱动的方法被广泛应用于锂离子电池容量估计，然而现有的数据驱动方法大多假设训练和测试数据服从相同分布，当此假设不满足时，模型的预测精度快速下降。现有的基于迁移学习的锂离子电池容量估计方法旨在对齐源域和目标域的整体分布，而忽略了不同层内的特征的可迁移性。针对以上问题，研究了深度迁移学习方法不同层之间的特征可迁移属性，提出了基于分层对齐迁移学习(hierarchical alignment transfer learning，HATL)的锂离子电池容量估计方法。首先，构建了一个基于卷积神经网络的特征提取器，考虑不同层特征的可迁移性，对不同层特征施加最大均值差异约束和通道注意力一致性约束，使得特征提取器从源域和目标域提取到的特征相似且模型更加关注域不变特征；然后，特征经过一个预测器得到容量估计值。在公开的锂电池数据集上进行充分验证，并与其他方法进行对比，结果表明，本文所提的HATL方法具有更高的估计精度，明显优于其他方法。证明了迁移学习方法在跨工况容量估计任务中的有效性和优越性。关键词：锂离子电池；容量估计；分层对齐迁移学习；最大均值差异；通道注意力一致性doi：10.19799/ki.2095-4239.2022.0706 中图分类号：TM 912 文献标志码：A 文章编号：2095-4239（2023）04-1223-11Hierarchical alignment transfer learning for lithium-ion battery capacity estimationZHAI Zhi1,2,WANG Fujin1,2,DI Yi1,2,MA Peiyu1,2,ZHAO Zhibin1,2,CHEN Xuefeng1,2(1School of Mechanical Engineering,Xian Jiaotong University,Xian 710049,Shaanxi,China;2National and Local Joint Engineering Research Center for Equipment Operation Safety Assurance and Intelligent Monitoring,Xian 712046,Shaanxi,China)Abstract:Accurate estimation of capacity plays an important role in the health management and predictive maintenance of lithium-ion batteries.In recent years,data-driven methods have been widely used in the capacity estimation of lithium-ion battery.However,most of these methods assume that the training and test data obey the same distribution,resulting in a rapid decline in accuracy when the test conditions change.The existing transfer learning methods for lithium-ion battery capacity estimation aim to align the global distribution of source and target domains,while ignoring the transferability of features within different layers.Thus,this study proposes a hierarchical alignment transfer learning method for lithium-ion battery 储能测试与评价收稿日期：2022-11-30；修改稿日期：2022-12-30。基金项目：国家自然科学基金（52105116），中国博士后科学基金项目（2021TQ0263、2021M692557）。第一作者：翟智（1985），女，博士，副研究员，主要研究方向为航天器电源系统故障诊断、航天动力系统健康管理，E-mail：；通讯作者：赵志斌，博士，讲师，主要研究方向为装备故障诊断与智能运维、新一代人工智能方法，E-mail：。引用本文：翟智,王福金,邸一,等.基于分层对齐迁移学习的锂离子电池容量估计J.储能科学与技术,2023,12(4):1223-1233.Citation：ZHAI Zhi,WANG Fujin,DI Yi,et al.Hierarchical alignment transfer learning for lithium-ion battery capacity estimationJ.Energy Storage Science and Technology,2023,12(4):1223-1233.2023 年第 12 卷储能科学与技术capacity estimation and examines the feature transferability among different layers of the deep transfer learning.First,a feature extractor based on a convolutional neural network was designed.Considering the feature transferability within different layers,the maximum mean discrepancy constraint and channel attention consistency constraint were imposed at different layers of the feature extractor.Thus,the features extracted from the source and target domain are similar,and the feature extractor focuses more on domain-invariant features.A predictor then obtains a capacity estimation value.The experimental results were validated on a public lithium-ion battery dataset and compared with other methods.Our findings show that the proposed method has higher estimation accuracy and is significantly better than other methods.In addition,the findings demonstrated the effectiveness and superiority of the transfer learning method in cross-domain capacity estimation.Keywords:lithium-ion battery;capacity estimation;hierarchical alignment transfer learning;maximum mean discrepancy;channel attention consistency锂离子电池由于能量密度高、成本低、自放电率低等优点被广泛应用于各个领域1-2。在航空航天领域，锂离子电池已成为继镍镉电池和镍氢电池之后的第三代航空储能电池3。在汽车领域，各大厂商正在大力推出以锂离子电池作为储能设备的电动汽车。然而，与其他机械或电子设备一样，锂离子电池也会经历性能下降直至失效的过程。锂离子电池的劣化会导致设备故障，甚至严重安全事故。电动汽车中锂离子电池管理不当可能导致火灾甚至爆炸4。此外，电池故障也是航空航天领域任务失败的主要原因之一5。据20032021年国内外公开的在轨航天器故障及其原因的统计分析表明，电源系统故障占航天器故障的比例高达44%6。为了确保设备的安全可靠运行，制定预测性维护计划，对电池的健康状态(state of health,SOH)和荷电状态(state of charge,SOC)进行实时在线监测和评估具有重要意义7。对于锂离子电池而言，容量是反映电池退化状态的关键指标，其有效寿命、SOH和SOC的定义都与容量有关。电池有效寿命定义为电池容量降至初始容量80%的循环次数8，SOH 是第 n 个周期的容量与初始容量的比值9，而SOC则为当前可用剩余容量与当前周期最大容量之比9。因此，准确估计当前阶段的容量有助于电池的预测性维护。近年来，很多学者对锂离子电池的容量估计(capacity estimation)和剩余使用寿命(remaining useful life,RUL)预测开展了相应的研究。从方法角度来区分，目前常见的电池容量估计和RUL预测方法主要分为基于模型的方法和数据驱动的方法。基于模型的方法10-13往往需要相关的专业知识，对电池建模也需要电池相关的设计参数，这些条件限制了它们的广泛应用。数据驱动的方法仅依赖于过去的退化数据来建立电池的老化模型，受到不少学者的广泛研究。戴海峰等14提出了一种基于充电曲线特征的锂离子电池容量估计方法，从充电曲线中提取特征作为相关向量机(relevance vector machine,RVM)模型的输入来估计电池容量。韩云飞等15从电压-放电容量曲线中提取特征，采用高斯过程回归对电池容量进行估计。周子游等16结合RVM和长短期记忆网络(long short-term memory,LSTM)模型，以健康因子作为输入以估计电池容量。舒星等17提出了基于最小二乘支持向量机和 Box-Cox 变换的RUL预测方法。然而，以上方法都需要人为从数据中提取特征，工作量大，且需要相关的背景知识。因此，有学者利用深度学习方法来估计电池容量和预测RUL18-19。深度学习方法具有能从海量数据中自动提取特征的能力，因而被广泛应用到各个领域。Li 等20设 计 了 一 种 基 于 卷 积 神 经 网 络(convolutional neural network,CNN)模型和LSTM的混合模型来捕捉电池退化中多变量之间的层次特征。Du等21提出了RUL和SOC估计的统一估算模型。Yang22设计了一个基于三维CNN和二维CNN融合的混合模型，实现了3.6%的RUL预测误差。Zhang等23提出了一种用于RUL预测的混合并行CNN模型，该模型能够基于20%充电容量对应的稀疏数据预测电池RUL。1224第 4 期翟智等：基于分层对齐迁移学习的锂离子电池容量估计尽管数据驱动的方法在电池容量估计和RUL预测领域得到了广泛研究和应用，但这些方法都基于训练数据(源域)和测试数据(目标域)服从相同分布的假设24。然而，这种假设在现实中往往得不到满足，因为电池内部化学成分的差异以及不同的充放电策略不可避免地导致不同的数据分布。因此有学者采用迁移学习(transfer learning)或领域自适应(domain adaptation)来解决数据分布不一致情况下的容量估计问题。从数据预处理角度出发，Li等25提出了一种基于 最 大 均 值 差 异(maximum mean discrepancy,MMD)的数据预处理方法，以减少不同数据分布之间的差异，从而实现跨领域的知识迁移。此外，预训练和微调技术也被广泛用于电池容量估计任务26-28，该类方法在源域上训练一个模型，并用有标签的目标域数据进行微调，最终用于目标域的预测。Kim等29使用变分推理来预测电池RUL，并使用不确定性估计来预测电池退化模式，其中也应用了预训练和微调技术。然而，这些方法都需要来自源域和目标域的标记数据，在许多实际应用中，很难从目标域获得标记数据。除此之外，Wang等30-31提出了一种退化趋势对齐方法，使得不同域内处于相同退化阶段的电池数据相互对齐，再根据退化对齐状态计算RUL，从而实现跨领域的知识迁移。陈峥等32提出了一种基于迁移模型的老化锂离子电池SOC估计方法。Han等33将基于MMD的域适配层集成到LSTM中，以实现源电池和目标电池退化特征的对齐。Ye等34提出一种整合相关性对齐(corelation alignment,CORAL)和 MMD 的无监督特征对齐方法用于电池SOH估计。然而，前面所述的基于迁移学习的方法都旨在对齐源域和目标域特征的整体分布，而没有考虑特征的可迁移性。Yosinski等35对深度学习模型提取的特征进行研究，发现深层神经网络的不同层会学习到不同的特征，底层的网络学习学习到的大多是通用的特征，随着层数加深，特征从一般特征过渡到特定于任务的特征。Neyshabur等36也得出相似的结论：神经网络的前几层提取的特征基本是通用特征，高层则提取对任务有强相关的特征。因此，不同层的特征具有不同的可迁移性。有不少学者在不同领域对此展开了研究：Bousmalis等37提出将高层特征解耦成域公有特征和域私有特征，并对齐公有特征的分布实现从源域到目标域的迁移；文献28固定提取通用特征的底层网络的参数，并利用目标域数据微调顶层参数以使模型能更好地适应目标域；文献38则是微调底层的模型，而利用MMD约束顶层模型。为解决不同层特征可迁移性不同的问题，本工作提出了基于分层对齐迁移学习(HATL)的锂离子电池容量估计方法。通过构建领域共享的特征提取器，提取来自源域和目标域的特征，考虑到不同层特征的可迁移性不同，在特征提取器不同层间施加MMD约束和通道注意力一致性约束，形成可跨工况的容量估计模型。该方法以充电过程中采集到的电流、电压和时间数据作为输入集，无需手动提取特征，然后模型输出对应的容量估计值。通过对每个通道进行注意力建模，特征提取器用特定通道的特征来解释电池退化趋势，从而关注于可迁移的潜在属性。最后，在公开的数据集上进行实验，验证了该方法的有效性。1 迁移容量估计问题描述迁移容量估计问题旨在利用源域有标签的数据训练一个容量估计模型，使模型迁移到目标域时能保持一个较高的估计精度。有标签源域数据表示为Ds=(xsi,ysi)Nsi=1，其中：xsi表示第i个样本，即电池第i个循环周期的数据，ysi表示第i个周期对应的容量值，Ns表示源域的样本数。同样地，无标签目标域数据表示为D t=xtiNti=1。由于电池内部化学成分的差异以及充放电策略的不同，两者数据分布差异较大，具体体现在两者的电流和电压曲线存在很大不同，如图1所示。从统计分析的角度看，假设分别用Ps(xs)和Pt(xt)表示源域和目标域的边缘概率分布，则Ps(xs)Pt(xt)。为更加直观地表示数据分布差异，如图2和图3所示，将源域和目标域电池充电电流和电压曲线通过t-分布邻域嵌入39(t-distribution stochastic neighbor embedding,t-SNE)算法进行二维分布的可视化，可以看出无论是电流还是电压均散乱地分布在二维空间中。在本工作中，充电过程中记录的电流、电压和时间数据被用来预测当前周期的容量值，即xsi和xti皆由充电时间、充电电流和充电电压组成，最终的容量估计模型可以用公式表示为：y?i=f(xi)，其中f()表示提出的容量估计模型。12252023 年第 12 卷储能科学与技术2 分层对齐迁移学习模型架构针对由一种充电策略至另一种充电策略的跨工况容量估计问题，提出了基于分层对齐迁移学习的锂离子电池容量估计方法。提出的HATL的整体架构如图4所示。该架构主要由特征提取器和容量预测器组成，源域和目标域共用相同的特征提取器。需要注意的是，本工作提出的是一种通用的针对锂离子电池跨工况容量估计的架构，而并非某一种特定的网络模型。旨在强调关注源域和目标域中相同通道的高层特征，因为更高层的特征更具有表示性，这些通道的特征也更能反映电池的退化信息。2.1迁移退化特征提取特征提取器(图4)主要用来提取能反映电池退化趋势的特征。在本工作中，特征提取器由四个一维的深度残差模块(residual network,ResNet)组成，每个残差模块由卷积层、池化层、批归一化层和激活函数构成。由于源域和目标域数据存在较大差异，若不做任何约束，则特征提取器从数据中提取的特征亦具有较大分布差异。此外，由于目标域数据无标签信息，无法直接用来训练特征提取器的参数。因此，本工作从减小特征边缘概率分布和关图1不同充放电策略(域)下两个电池的电流和电压曲线Fig.1Current and voltage curves of two batteries under different charging-discharging strategies(domains)图2源域和目标域电池充电电流曲线的t-SNE可视化Fig.2T-SNE visualization of charging current curves in source and target domain图3源域和目标域电池充电电压曲线的t-SNE可视化Fig.3T-SNE visualization of charging voltage curves in source and target domain1226第 4 期翟智等：基于分层对齐迁移学习的锂离子电池容量估计注源域与目标域之间的可迁移特征出发，缩小源域和目标域之间的差异。2.1.1最大均值差异约束减小边缘概率分布为逐渐减小源域和目标域数据分布的差异，用最大均值差异40对底层的网络进行约束(如图4中的LMMD,1和LMMD,2)，使提取的通用特征聚拢到一个更加合理的特征空间。MMD是一种可以衡量两个分布差异的非参数方法，能把两个分布映射到可再生核希尔伯特空间(reproducing kernel hilbert space,RKHS)并度量它们之间的一阶矩。分别用Hsl=hsl,iNsi=1和Htl=htl,iNti=1代表源域数据和目标域数据经过第I(I=1，2，3，4)个残差模块后得到的表示，则Hsl和Htl之间的MMD可定义为：MMDH(Hsl，Htl)=sup HE(hsl)-E(htl)(1)式中，sup为上确界，H表示RKHS，()表示从原始空间到RKHS的非线性映射函数。本工作用高斯核函数K(xi,yj)=exp(-xi-yj2/22)替代非线性映射()，则Hsl和Htl之间基于MMD的经验估计可表达为：LMMD，l=1Nsi=1Ns()hsl，i-1Nti=1Nt()htl，i2H=1N2si=1Nsj=1NsK()hsl，i，hsl，j-2NsNti=1Nsj=1NtK()hsl，i，htl，j+1N2ti=1Ntj=1NtK()htl，i，htl，j.(2)(l=1，2)LMMD=LMMD，1+LMMD，2(3)通过最小化LMMD，可适配源域和目标域特征的边缘概率分布。2.1.2通道注意力一致性约束关注可迁移特征原始数据经过特征提取器之后被层层编码，得到的特征逐渐包含特定信息。当遍历特征提取器的深度时，所学习到的特征逐渐从一般特征过渡到特定于任务的特征。因此，更高层的特征更具有表示性，这些通道的特征也更能反映电池的退化信息。本质上，锂离子电池域跨工况容量估计的目标是识别可迁移到目标域的属性，即关注源域和目标域之间共有的能反映退化趋势的特定通道特征。为了使特征提取器学习到一组能反映退化趋势的特征，受文献41启发，在特征提取器最后两个残差模块中引入通道注意力模块G()。通过对每个通道进行注意力建模，特征提取器用特定通道的特征来解释电池退化趋势，从而有利于发现可迁移的潜在属性。通道注意力模块G()的细节如图5所示。图5通道注意力模块G示意图Fig.5Schematic diagram of Channel attention module G图4提出的HATL的整体架构Fig.4The overall architecture of the proposed HATL consists of a feature extractor and a predictor注：该架构由特征提取器和容量预测器组成。特征提取器的底层用MMD约束，顶层用通道注意力一致性约束。12272023 年第 12 卷储能科学与技术原始数据经过特征提取器之后得到特征矩阵h RCL，其中C表示通道数，L表示长度。由于通道注意力模块G()同时作用于源域和目标域，为方便表述，这部分内容在表述特征矩阵h时均省略上下标。通道注意力模块G()以特征矩阵h作为输入，经过最大池化和平均池化分成两条支路，然后分别经过卷积核大小为1的一维卷积，最终相加两条支路的结果得到跨通道维度的注意力权重向量w=G(h)，w RC(如图5所示)。为了使模型关注到源域和目标域之间共有的能反映退化趋势的特定通道特征，构建通道注意力一致性损失LAC，其被表示为源域和目标域权重向量之间的1范数：LAC，l=|G(hsl)-G(htl)|，l=3，4(4)LAC=LAC，3+LAC，4(5)最小化式(5)，可以使模型关注源域和目标域中相同通道的特征。由于源域标签的约束，模型被限制于用这些通道的特征来反映电池的退化趋势，因此，模型可将源域学习到的知识迁移到目标域，实现跨工况容量估计。2.2容量估计原始数据经过特征提取器后得到能反映电池退化信息的特征，该特征作为容量预测器的输入估计电池容量(如图4中的容量预测器所示)。由于只有源域数据存在标签，因此源域数据被用来训练预测器P()。用zsi表示源域数据xsi经过特征提取器得到的最终特征表示，则P()的前向传播过程可被表示为：y?i=P(zsi)(6)预测值y?i与真实值yi之间用均方根误差损失作为约束：Lpred=1Nsi=1Ns(yi-y?i)2(7)2.3模型训练与预测为实现目标域数据的高精度容量估计，结合式(3)、式(5)和式(7)构建用于跨工况容量估计的目标损失函数：L=Lpred+LMMD+LAC(8)式中，和分别为MMD约束和通道注意力一致性约束的惩罚因子。所提的HATL架构的训练和预测流程可归纳为如下步骤：获取不同充放电策略下的电流、电压和时间数据，构建有标签的源域数据集和无标签的目标域数据集，进一步将目标域数据集划分为训练数据和测试数据。构建特征提取器和预测器，组成 HATL 架构，并建立相应的损失函数。利用有标签的源域数据和无标签的目标域数据训练HATL，最小化式(8)所示的损失函数。把无标签的目标域数据输入训练好的模型测试，模型输出跨域容量估计值。3 实验验证3.1数据集介绍利用文献42中公布的电池数据来验证提出的模型。电池型号为18650型磷酸铁锂电池，额定容量为1.1 Ah，标称电压3.3 V，充放电电压上下限分别为 3.6 V 和 2.0 V。实验温度为 30，使用Arbin测试系统进行实验。所有电池都经过四个阶段的快充，从0%充电到80%的荷电状态，然后以1 C恒流-恒压的方式充到100%。快充阶段的策略如下：前三个阶段分别以不同的恒定速率充入20%的电量，第四阶段的充电速率由保证四个阶段充电时间为10 min来确定。充满电后，所有电池以4 C的速率放电。更详细的实验细节可参考文献42。该文献一共公布了5批电池数据，本工作从最后一批的45个电池数据中选择出10个电池数据(包含两种充电策略)来验证提出的方法。由于充电策略不同，10个电池的数据被分为两个域，每个域包含5个电池，具体细节如表1所示。源域和目标域电池皆在30 下开展实验，每一次充放电深度都为100%，即以表1中所示的充电策略充满电，然后以4 C的速率放电至2.0 V。3.2数据集介绍由于原始数据中每个周期采样的点数不一致，为了方便模型处理，将每个充电周期的时间、电流表1数据集介绍Table 1Description of the dataset域源域目标域注：电池以4.4 C从0充电到20%的SOC，以5.6 C从20%充到40%，以5.2 C从40%充到60%，以4.252 C从60%充到80%。充电策略4.4-5.6-5.2-4.252 C7-4.8-4.8-3.652 C电池编号(通道)8,15,18,32,483,25,26,28,441228第 4 期翟智等：基于分层对齐迁移学习的锂离子电池容量估计和电压数据重采样为128个点，并拼接成矩阵构成模型的输入样本xi，即xi R1283。由于原始数据的时间跨度不一样，经过重采样后，其采样频率也不完全一样。因此，采样频率对于提出的HATL架构的性能没有影响。从源域和目标域中各选择一个编号的电池数据，画出重采样后的充电电流和电压曲线如图1所示。可以看出，由于充电策略的不同，不同域中电池的电流和电压曲线存在较大差异。重采样后每个变量的维度仍然有128维，为了更加直观地看出其统计分布，利用t-SNE把电流数据和电压数据降维至2维，分别画出其分布，如图2和图3所示。从图上可以明显看出由于充电策略差异，两个域的数据之间存在较大的域间隙。本工作利用充电阶段的数据来估计容量，而不是放电阶段的数据，因为充电数据更加可控，且不容易受到噪声干扰。为了使模型训练更加稳定，减小数据尺度对模型性能的影响，使用归一化技术把原始数据转换到0，1区间。3.3实验细节提出的HATL架构通过最小化公式(8)所示的损失函数来更新模型参数，其相应的超参数设置如下：使用的优化器为Adam，初始学习率为110-3，权重衰减系数为510-4，epoch为50，批量大小为64，权重平衡参数为0.05，为0.1。以上所有参数可通过网格搜索技术确定。文章的代码已开源，可通过以下链接获取：https:/ MMD 的方法用于锂离子电池的跨工况容量估计任务。为便于与提出的方法对比，利用提出的特征提取器和预测器构成MMD方法的模型主干，与提出的HATL不同，MMD 方法的四个残差模块之间都用 MMD约束。CORAL：CORAL43是一种被广泛使用的域自适应方法，其利用线性变换对源域和目标域的二阶统计量进行对齐。本工作利用提出的特征提取器和预测器构成模型主干，利用CORAL损失函数对模型进行约束。其他实验细节如3.3节所示。DANN：DANN架构最早在文献44中提出，目前已被广泛应用于各种场景下的域自适应任务。与 CORAL 类似，本工作利用同样的主干实现DANN模型。需要注意的是，对比的四种方法的主干网络与提出的HATL架构的主干网络是相同的，这样的设置可保证实验的公平性以及验证提出架构的有效性。4 结果分析及讨论4.1跨域容量估计结果目标域中不同电池的跨工况容量估计结果如图7所示。可以看出，提出的HATL的估计结果更接近于真实值，而普通ResNet的估计结果则与真图6五组实验的数据划分方式Fig.6Splitting method of the dataset in five experiments12292023 年第 12 卷储能科学与技术实值之间存在较大偏差。充放电策略的不同以及电池个体差异导致了不同电池数据分布之间存在域漂移，一般的数据驱动方法在跨工况容量估计中的精度会降低，而提出的方法有效减小了域差异带来的影响，实现了较高的估计精度。图7所示结果也表明了对于跨工况容量估计的任务，迁移学习是一种图7不同电池的容量估计结果：左边为普通ResNet的估计结果，右边为提出的HATL的估计结果Fig.7Capacity estimation results of different batteries.The left is the estimation result of ResNet,and the right is the estimation result of HATL1230第 4 期翟智等：基于分层对齐迁移学习的锂离子电池容量估计可行且有必要的方法。4.2不同方法性能比较为了进一步验证提出的方法的有效性和先进性，对比分析了其他四种方法，结果如表2所示。为了保证实验的公平性，所有方法的输入都是3.2节中构建的特征矩阵，输出为容量估计值，模型训练时的其他超参数保持一致。为避免偶然性，表2中的所有值皆由5次实验结果求平均得到。为直观对比不同方法的效果，用粗体标注出最好的结果。可以看到，提出的HATL在5个实验中的估计误差都是最小的。值得注意的是，五种方法所用的网络结构和超参数设置都是一样的。普通ResNet没有迁移学习过程，因此其估计效果最差；MMD、CORAL和DANN等方法通过对齐中源域和目标域特征之间的整体分布，没有考虑到不同层特征的可迁移性不同，效果比普通ResNet的效果好，但比提出的HATL的效果差。提出的HATL拉近低层特征在RKHS中的距离，同时关注高层特征中能反映电池退化趋势并能在两个域之间迁移的特征，因此取得了最好的估计结果。4.3可视化分析原始数据xi R1283，经过特征提取器之后得到一个128维的向量，为了验证提出的HATL方法是否真正减小了源域和目标域之间的差异，利用t-SNE算法对特征降维并可视化，结果如图8所示。对比图2和图3可以看到，两个域的原始数据分布比较散乱，不能看出明显的退化轨迹。经过特征提取器之后，两个域的数据分别形成两条曲线，且两条曲线的形状和延伸的方向比较相似，在一定程度上反映出了两个域的电池的退化轨迹。综上，特征提取器真正学习到了能反映电池退化趋势的信息，而且减小了不同域之间的差异。4.4计算效率为探究模型的计算效率，在Intel(R)Core(TM)i5-10400F CPU 2.90GHz上部署提出的HATL，软件环境为Pytorch 1.7.1。分别对模型进行10次独立训练，每次训练50个epoch，平均训练时间为 3.10 min。同理，对模型进行 10 轮独立测试，每轮测试的样本数为 4421，平均每轮测试用时2.03 s，平均每个样本测试用时4.5910-4 s。5 结论针对不同充电策略下电池数据分布不一致，一般基于数据驱动的容量估计方法无法直接用于跨工况容量估计的问题，提出了基于分层对齐迁移学习的锂离子电池容量估计方法(HATL)。通过约束底层特征之间的MMD距离，并对高层特征的每个通道进行注意力建模，提出的HATL架构用特定通道的特征来解释电池退化趋势，从而发现可迁移的潜在属性。最终在公开的数据集上验证了方法的有效性。在实验的过程中，每个充电周期的原始数据被重采样至128个点。因此，原始数据的采样频率对HATL的性能产生的影响可以忽略不计。另外，本工作利用充电过程的数据来估计容量，相比于利用放电数据的方法来说，充电数据更加可控且容易收图8对特征提取器得到的特征用t-SNE降维并可视化Fig.8T-SNE visualization of features extracted from feature extractor表2各方法在不同电池上的估计结果Table 2Estimation results of each method on different batteries方法方法HATLResNetMMDCORALDANN误差误差MSE/%MAE/%MSE/%MAE/%MSE/%MAE/%MSE/%MAE/%MSE/%MAE/%电池编号电池编号30.0641.7860.6116.5460.0822.5040.7018.0930.5626.798250.0802.2781.16110.0750.1742.7040.9839.3370.5165.221260.0912.3401.30610.7230.1663.6000.5577.1481.17010.524280.1252.3250.3995.1860.2062.6590.2703.8920.3346.798440.0762.0160.4355.1190.1622.9110.1521.8110.2594.26312312023 年第 12 卷储能科学与技术集，且不易受噪声干扰。然而，值得注意的是，提出的HATL不局限于使用充电数据作为输入。如果放电阶段数据更加容易收集，也可以放电数据作为输入来估计电池容量。尽管提出的方法取得了最好的估计结果，但仍然有改进的空间。在实际工业应用中，电池并不总是放完电才开始充电，因此充电曲线可能是不完整的。未来的工作将继续关注使用部分充电或放电数据来进行跨工况容量估计的研究。参 考 文 献1 SCHMUCH R,WAGNER R,HRPEL G,et al.Performance and cost of materials for lithium-based rechargeable automotive batteriesJ.Nature Energy,2018,3(4):267-278.2 NYKVIST B,NILSSON M.Rapidly falling costs of battery packs for electric vehiclesJ.Nature Climate Change,2015,5(4):329-332.3 刘大同,宋宇晨,武巍,等.锂离子电池组健康状态估计综述J.仪器仪表学报,2020,41(11):1-18.LIU D T,SONG Y C,WU W,et al.Review of state of health estimation for lithium-ion battery packJ.Chinese Journal of Scientific Instrument,2020,41(11):1-18.4 SAHA B,GOEBEL K,POLL S,et al.Prognostics methods for battery health monitoring using a Bayesian frameworkJ.IEEE Transactions on Instrumentation and Measurement,2009,58(2):291-296.5 SONG Y C,LIU D T,HOU Y D,et al.Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithmJ.Chinese Journal of Aeronautics,2018,31(1):31-40.6 王亚坤,杨凯飞,张婕,等.卫星在轨故障案例与人工智能故障诊断J.中国空间科学技术,2022,42(1):16-29.WANG Y K,YANG K F,ZHANG J,et al.Case study of in-orbit satellite failures and artificial intelligence based failure detectionJ.Chinese Space Science and Technolog