摘要

锂离子电池剩余寿命（RUL）的准确预测对电动汽车与储能系统的安全运行与维护成本控制至关重要。本文提出一种结合双向Mamba（Bi-Mamba）、降噪自编码器（DAE）与位置编码的迭代预测框架，通过鲸鱼优化算法（WOA）调优，仅需早期容量数据即可实现长周期RUL的高精度预测。在CALCE与MIT-Stanford公开数据集上的实验表明，该方法平均相对误差分别低至1.60%与0.67%，显著优于现有主流模型。

引言：长周期RUL预测的挑战

锂离子电池在循环使用中容量逐步衰减，其剩余寿命（RUL）直接关系到系统可靠性。当前多数研究集中在约250次循环内的短期预测，而实际应用中电池寿命可达上千次循环，传统方法因误差累积、噪声敏感等问题，难以实现长周期精准预测。本文旨在构建一种能适应容量波动、抑制误差累积的RUL预测模型，适用于电池管理系统（BMS）的实时部署。

方法：双向Mamba框架与物理约束融合

本文提出的DPBM模型核心结构包含以下模块：

数据预处理：采用Savitzky-Golay滤波器对容量数据进行去噪，在保留关键老化特征的同时有效抑制噪声干扰。

特征增强：引入降噪自编码器（DAE）进一步提取鲁棒特征，并结合Transformer式位置编码，增强模型对容量序列时序依赖关系的建模能力。

双向Mamba预测模块：基于状态空间模型（SSM）的Mamba结构具有线性计算复杂度，能高效处理长序列；双向设计（Bi-Mamba）同时捕捉前后时间依赖关系。

物理约束与迭代策略：将循环次数作为物理约束输入模型，约束容量预测范围；采用十步迭代预测策略，逐步推演后续容量轨迹，显著减少累积误差。

图1：模型框架流程图

实验与结果

模型在CALCE与MIT-Stanford数据集上进行验证，采用“留一法”划分训练集与测试集，滑动窗口长度为100，预测步长为10。

RUL预测精度：

在平均预测长度498（CALCE）与518（MIT-Stanford）循环的任务中，DPBM模型的平均相对误差分别为1.60%与0.67%，优于Bi-LSTM、Bi-GRU与DeTransformer等基准模型。

容量衰减轨迹拟合：

模型在四个测试电池上均表现出较高的拟合优度（R² ≥ 0.9845），MAE与RMSE显著低于对比模型。尤其在容量波动明显的CALCE数据集中，DPBM仍保持稳定预测性能。

图2：四组电池容量衰减轨迹预测对比图

不同预测起点的鲁棒性

实验设置预测起点为100、150、200次循环，结果显示随着起点后移，预测误差逐步下降，说明模型在早期数据有限时仍具备可靠推断能力。

图3：不同预测起点下的容量衰减轨迹预测

结论与价值

本文提出的双向Mamba迭代预测框架，通过融合物理约束与序列建模优势，实现了长周期电池RUL的高精度、鲁棒预测。该方法在容量波动与电池“容量再生”现象明显的场景中表现突出，适用于对预测精度要求高、实时性要求相对宽松的BMS系统。未来工作可结合多传感器数据与经验退化方程，进一步提升模型可解释性与适用性。

文献信息

标题：Bidirectional-Mamba-based iterative prediction for long-cycle battery remaining useful life with physical constraints

期刊：Journal of Energy Storage

DOI：https://doi.org/10.1016/j.est.2025.119138

文章来源：LiTalk Battery

特别声明：本站所载图文内容均来源互联网，微信公众号等公开渠道，我们对文中观点保持中立，出于更直观传递信息之目的转载稿件，仅供参考。版权归原作者和机构所有，并不代表本网赞同其观点和对其真实性负责。如有侵权，或涉及任何第三方合法权利，请及时联系我们删除（微信：CintaZz7），我们会及时反馈并处理完毕。