63、CTARNS：提升锂离子电池容量估算的新方案

CTARNS：提升锂离子电池容量估算的新方案

1. 引言

锂离子电池（LIBs）在便携式电子设备、自动驾驶车辆中占据主导地位，并且在电网级储能系统中也具有巨大潜力。然而，随着时间的推移，LIBs的容量会下降，导致性能降低。为了确保LIBs的安全可靠运行，电池管理系统应运而生，用于监测电池的参数，如电压、健康状态（SoH）等。

SoH的计算公式为：$SoH = \frac{C_{max}}{C_{nom}} * 100$，其中$C_{max}$是当前最大容量，$C_{nom}$是制造容量。由于LIB内部发生复杂的电化学相互作用，容量会意外下降，再加上“松弛效应”（即电池一段时间不充放电，容量会恢复）的影响，使得容量预测问题变得复杂。

过去，基于模型的方法用于估算SoH，但这些方法需要物理和化学领域的专业知识。近年来，人工智能方法在许多领域取得了良好的效果，特别是基于序列的架构，如长短期记忆网络（LSTM），在SoH预测问题上表现出色。不过，之前的研究要么没有考虑电池循环中的可能特征，要么由于基于LSTM而需要较长的训练时间。因此，本文提出了一种嵌套序列模型——卷积变压器自回归嵌套序列（CTARNS），以提高准确性并减少训练时间。

2. 背景

2.1 锂离子电池的充放电操作曲线

LIB的充电曲线遵循恒流 - 恒压（CC - CV）方法。在CC阶段，LIB以特定电流充电，直到电压达到预定极限；在CV阶段，LIB以固定电压充电，直到电流降至预定极限。

2.2 预测LIB容量的可能特征

• 通道数据 ：LIB循环包括充电、放