State-of-health prediction of lithium-ion power batteries via incomplete tensor representation learning

锂离子动力电池健康状态(state of health, SOH)预测是电池健康管理的核心, 准确的锂电池健康状态预测对确保电池设施的可靠性和安全性具有重要意义. 数据驱动的SOH预测方法因其灵活性高且无需对电池电化学机理深入描绘, 已被广泛应用于锂离子动力电池SOH预测. 然而, 当前数据驱动的SOH预测方法通常建立在完备的电池性能数据(如电流、电压、阻抗)基础上, 但在实际工况中由于传感器故障等不可避免因素, 导致获取的电池性能数据完整性、准确性和一致性变差, 对精准预测电池SOH造成严重挑战. 因此, 为在不完备电池性能数据条件下实现精准的SOH预测, 本文提出一种基于不完备张量表示学习的锂离子动力电池SOH预测方法. 首先, 在张量表示学习模块, 将电池性能数据建模为“电池单元×采样时间×监测指标×循环次数”四阶不完备张量, 并构建不完备张量表示学习模型将不完备电池性能数据表示为完备的特征数据; 然后, 在特征提取模块, 通过引入三个因子矩阵与循环次数-监测指标特征张量进行模态乘以提取有效特征; 最后, 在性能数据预测模块, 采用Transformer预测未来K次循环电池性能数据, 从而完成精准的电池SOH预测. 在广泛使用的两个电池性能数据集上实验结果表明, 所提出方法能基于不完备的历史监测性能数据精准地预测电池在未来循环中的性能数据, 从而实现准确的SOH预测.