来源：快猛电池 发布日期：2026-06-27 09:47:08

风能发电与太阳能发电等可再生动力具有清洁、低碳和可持续的优势[1]。可是受自然环境要素影响，光伏与风力发电系统呈现出间歇性与随机性特征。跟着可再生动力对化石动力的大规模代替，动力系统的广域均衡与安稳工作正面对应战[2][3][4]。储能技术已成为其时动力革射中的要害支撑技术，为处理大规模可再生动力并网带来的应战供应了有用方案。该技术在平衡动力供需、进步电力系统安稳性与灵活性方面发挥着中心作用，并终究助力完成碳达峰与碳中和方针。在各种储能技术中，锂离子电池因其高能量密度、高充放电功率和快速照应动力学特性而崭露头角。因而，锂离子电池技术现在占有着储能领域的主导地位。
其时锂离子电池能量处理的研讨首要集中于能量处理战略。Alaoui等[5]提出了一种依据机器学习的能量处理战略，该战略以需求功率、锂离子电池荷电情况(SOC)及超级电容为输入，输出锂离子电池与超级电容的功率流。可是该战略忽视了高频功率需求对锂离子电池功用的负面影响。为减轻高频功率需求对电池寿数的影响，Eldeeb等文献[6]选用依据小波转换的功率切割方法，将功率需求分解为低频与高频分量并分别分配给蓄电池和超级电容器。可是，该方法在适应多样化应用场景时存在局限性。为此，Hu等[7]结合方法辨认技术选用自适应小波转换，将功率需求的高频分量分配给担任瞬态功率处理与快速照应的超级电容器，而低频分量则导向蓄电池。Shen等[8]提出一种全集成分辨率-含糊逻辑操控战略，以缓解高频功率需求对锂离子电池形成的老化问题。
此外，热能处理关于优化锂离子电池的热特性与功用至关重要。电池容量反映在不同温度条件下的荷电情况（SOC）预算中。环境温度与电池容量呈正相关联络[9]。跟着温度升高，电解液粘度下降且活性增强，可能促进离子搬迁与分散[10]。Li等[11]通过实验研讨了锂离子电池容量随温度的改动规矩。Qian等[12]监测了温度改动对锂离子电池循环功用的影响，发现环境温度会作用于正极膜的形成进程，进而影响电池寿数。高温不仅会缩短电池寿数，还会添加热失控危险；而低温则由于内阻增大同样会导致电池寿数衰减。[12]通过监测温度改动对锂离子电池循环功用的影响，发现环境温度会调控正极外表固态电解质界面膜（SEI膜）的形成动力学，这种调控作用将直接影响电池循环寿数。高温条件会加快电解液分解反响并引发电极资料相变，在缩短运用寿数的一同显着进步热失控概率；而低温环境下锂离子在电极资猜中的嵌入/脱嵌阻抗急剧添加，导致电池可用容量大幅下降。
在能量与热处理领域，单体锂离子电池的荷电情况（SOC）是决策拟定的要害参数。可是，由于SOC归于不行直接观测的躲藏情况，其准确测定存在显着难度。现有SOC预算方法首要分为四类：（i）开路电压法（OCV）。该方法通过放电实验建立OCV-SOC对应联络表，在电池工作期间通过丈量开路电压，并依据OCV-SOC联络映射至SOC值进行预算[13][14]。OCV的准确直接丈量需求电池坚持静置满意长的时间。因而，该方法仅适用于实验室或其他特定环境，关于在线辨识存在必定局限性。（ii）安时积分（AHI）法。AHI是现在应用最广泛的SOC估计方法。可是，该方法易受噪声、温度漂移及其他不知道随机干扰影响，导致过失累积和作用失真[15]。（iii）依据模型的方法。相较于其他方法，依据模型的方法展现出更好的自校正才干、更高的估计精度以及更强的鲁棒性[16]。但这类方法高度依托参数辨识，需求对这些参数进行准确辨识和持续更新。此外，模型参数的准确性还取决于采样间隔[17]。（iv）数据驱动方法[18][19][20][21][22][23][24]——包含机器学习和深度学习技术——为电池功用猜想供应了快速准确的建模方案，能有用应对上述应战。
在数据驱动方法中，依据学习的技术道路近年来取得显着发展。2020年，Bian等[25]提出堆叠式双向长短期回想神经网络(SBLSTM)，该网络处理了RNN在捕获时间依托性方面的局限性，并通过逐层方法表征电池输入丈量值与输出SOC之间的非线性动态联络。随后，他们开发了依据双向LSTM的编码器-解码器模型(BLSTM-ED)，用于不同温度条件下的SOC估计[26]。2022年，Wang等[27]提出了CRN模型。该方法将多个可测变量在不一同间点的数值堆叠作为模型输入，有用提取了电压与电流间的进程信息及相互作用联络，用于荷电情况（SOC）猜想，在五种不同环境温度下均取得可靠作用。2023年，Wu等[28]开发了SPA-ED模型，该注意力机制模型选用双向长短期回想编码器与长短期回想解码器结构，处理了不同特征序列对方针序列的异质性影响，并缓解了长期依托丢掉问题。
前述大都研讨聚集于选用端到端深度学习模型进行SOC估计。此类模型直接将电池工作相关参数（如观测电压、电流及阻抗）映射至输出SOC值。猜想精度通常在高温环境下较高，但跟着温度下降而逐步下降。这些模型无法在低温环境下有用工作，尤其在极端冰冷条件下表现更差。这源于原始数据中存在的噪声和异常值，若处理不当，将导致后续剖析呈现显着过失并添加数据挖矿进程的复杂性。尽管这些模型手动选用了一些传统的数据预处理技术，但仍难以从根本上处理低温环境下数据不一致性与杂质问题。理想情况下，该模型应能自主习得数据的固有结构特征，然后在不同场景下完成高效的数据提纯。 （依据术语表要求： 1. "data mining" 译为"数据挖矿" 2. 其他技术术语如"noise and outliers"（噪声和异常值）、"data pre-processing"（数据预处理）、"data inconsistency"（数据不一致性）等均按学术规范译出 3. 坚持学术文本的慎重句式结构，如"which"引导的定语从句处理为分句结构 4. 被动语态"should be capable of"转换为中文常见的主动表达"应能"）
用于荷电情况（SOC）估计的电池充放电数据归于典型的时间序列数据。通过从时间序列数据中提取显着特征并将其编码至潜在空间，时序表征学习能够战胜人工特征表征的局限性。该方法能有用捕捉数据中的潜在方法、趋势与依托联络，为下贱任务供应准确猜想与信息丰盛的表征。可是，传统时间序列表征方法因其对领域常识的依托以及预界说先验的有限泛化才干，普遍存在耗时且效能不足的缺陷[29][30][31]。近期，研讨者提出选用对比丢掉代理任务（亦称对比学习），通过自监督信号的判别式预操练来进步学习功率。对比学习的中心方针是在特征空间中拉远异类样本间距，一同缩小同类样本间隔。这类代理任务是模型从未标注数据中自主学习处理的自我应战，然后为各类下贱任务生成具有语义意义的表征[32]。
对比学习已成为自监督学习方法的中心组成部分[33]。Chen等人[34]提出的经典SimCLR结构强调了数据增强与大批次操练的重要性，但该结构需慎重处理负样本对。%% BYOL[35]选用在线网络与方针网络的双神经网络架构，通过交互式学习完成无需负样本对的对比学习。%% TS2Vec[36]将对比学习思维拓宽至时间序列领域，提出时间戳掩码与随机裁剪两项要害数据增强技术。受此启示，CoST[37]运用对比学习方法解耦时间序列的周期-趋势表征，其依据先验常识将时间序列分解为趋势项、周期项和过失项之和。可是，其时大都无监督时间序列表征方法均源自计算机视觉（CV）与自然语言处理（NLP）领域的经验值[38][39]，这些方法具有剧烈的归纳偏好（如转换不变性与裁剪不变性）。此类假定未能区别多粒度下的多规范上下文信息，然后阻止了锂离子电池SOC猜想精度的进步。
However, most existing methods of unsupervised time series representation are derived from experiences in computer vision (CV) and natural language processing (NLP) domains [38], [39], which have strong inductive biases such as transformation-invariance and cropping-invariance. These assumptions do not distinguish the multiscale contextual information with different granularities, which hinders the improvement of SOC prediction accuracy for lithium-ion batteries.
针对上述局限性，我们遭到老练的对比学习算法[34][35][36][37]启示，改善图像领域运用的对比学习技术并将其应用于锂离子电池荷电情况（SOC）猜想。不同于直接将猜想模型应用于原始数据，本方法首先以无监督方法从原始数据中提取特征，选用对比学习方法学习更高层次的表征，这些表征能够捕捉支配电池工作的潜在时间动态和非线性联络。该方法生成更优质的表征向量，随后按份额与原始数据结合以操练更准确的猜想模型。相较于现有端到端方法，此方案显着进步了荷电情况估计功用。我们的首要奉献可归纳如下：

• 1.
  提出了一种依据对比学习的全新SOC猜想方法（CLDMM）。该方法通过数据增强、多规范编码器和多层感知机（MLP）来学习嵌入空间中的潜在表征，并将习得的表征应用于下贱猜想任务。
• 2.
  为更有用地从原始电池数据中提取潜在特征，我们深化剖析了电池充放电数据的特性，据此规划了三种针对性的数据增强方法。这些方法能有用生成对比学习所需的正负样本对。
• 3.
  通过运用Panasonic NCR18650PF数据集[40]与其他先进神经网络模型进行对比，验证了本模型的猜想功用。此外，我们开展了系统的消融实验以剖析各模块带来的功用进步。实验作用表明，所提方法能准确预算不同环境温度下的SOC序列，其均匀绝对过失（MAE）为0.64%，跨温度区间的均匀最大过失（MAX）为2.66%。