基于小波时频融合模型与多重注意力机制的锂离子电池健康状态精准评估方法研究

针对锂离子电池健康状态(SOH)估计中时频域信息融合不足和噪声干扰问题，重庆邮电大学团队提出改进小波时频融合模型(IWTFFM)结合多重注意力机制。通过小波分解提取充电阶段电压/电流频域特征，利用空间/通道/自注意力机制增强特征捕获能力，在NASA数据集验证中较传统方法RMSE提升2%-3%，为电动汽车电池安全管理提供新思路。

　　

随着全球能源转型加速，锂离子电池(LIBs)作为电动汽车的核心部件，其健康状态(State-of-Health, SOH)评估直接关系到行车安全。然而，现有方法面临三大挑战：传统卷积神经网络(CNN)难以兼顾时频域特征，注意力机制对局部细节捕捉不足，且实测数据中的噪声会显著影响评估精度。针对这些问题，重庆邮电大学的研究团队在《Journal of Energy Storage》发表论文，提出创新性的改进小波时频融合模型(IWTFFM)。

研究团队采用NASA电池老化数据集，通过小波分解与阈值去噪技术提取充电阶段的电压/电流频域特征，构建包含空间、通道和自注意力机制的多重注意力模块。实验表明，该方法在考虑高斯噪声干扰时，均方根误差(RMSE)较传统机器学习方法降低2%-3%，为电池管理系统(BMS)提供了更可靠的解决方案。

关键技术包括：1) 基于离散小波变换(DWT)的频域特征提取；2) 融合空间注意力(处理二维频域信息)、通道注意力(处理一维时域信息)和自注意力机制的特征增强模块；3) 结合小波阈值去噪的鲁棒性优化设计。

【Wavelet decomposition and denoising】
通过Daubechies小波基函数将信号分解为不同频带的近似系数和细节系数，采用软阈值法消除高频噪声，保留反映电池退化特征的有效频段。

【Data description】
选用NASA PCoE的B0005-B0007和B0045-B0047两组电池循环老化数据，在恒流恒压(CC-CV)充电模式下采集电压/电流时序数据，构建包含容量衰减曲线的训练集。

【Conclusions】
研究证实，IWTFFM通过小波分解有效解决了CNN模型处理频域信息的局限性，多重注意力机制使模型能同时关注局部细节和全局依赖关系。特别是在噪声环境下，该方法展现出优于传统LSTM和CNN模型的稳定性，为复杂工况下的电池健康监测提供了新范式。

该研究的创新性体现在：1) 首次将小波时频分析与深度学习框架系统结合；2) 开发的可视化注意力权重热图揭示了模型决策机制；3) 提出的抗干扰设计显著提升了工业场景适用性。这些突破对推动电动汽车智能化发展具有重要实践价值。