SSB锂离子电池健康状态与寿命终止预测框架

2026-02-27 08:47:21

摘要

锂离子电池健康状态(State-of-Health, SOH)与寿命终止(End-of-Life, EOL)的精准预测对电池管理系统至关重要，然而复杂的非线性退化与容量再生现象使其仍具挑战性。为此，本研究提出了一种创新的融合(Fusion)预测框架。首先，采用经鹈鹕优化算法(Pelican Optimization Algorithm, POA)优化的特征模态分解(Feature Mode Decomposition, FMD)方法对原始容量数据进行分解，有效抑制噪声干扰与容量再生伪影。其次，从充电曲线中提取出五个与容量退化高度相关的健康特征。这些特征随后被输入到混合时序卷积网络-双向长短期记忆（TCN-BiLSTM）模型中，其中TCN深度挖掘隐含的时序模式，而BiLSTM同时学习前向与后向依赖关系，以增强关键退化信息的表达能力。最终通过重构预测结果，实现高精度的健康状态（SOH）与寿命终止（EOL）估计。基于NASA、牛津大学和MIT公开数据集的实验验证表明，所提模型具有显著优势，其SOH估计的均方根误差（RMSE）为0.01852，EOL预测误差低至0.008。

引言

锂离子电池（LIBs）凭借其高能量密度和可靠的循环性能，目前已成为电动汽车和电网应用的主要储能解决方案。然而，长期运行过程中的电化学退化机制——包括容量衰减和阻抗增长——可能影响系统可靠性与安全性。研究表明，精确的健康状态（SOH）监测对于维持电池最佳性能和预防运行故障至关重要[1][2][3]。
现有SOH估计方法主要分为三类：测试型、模型驱动型与数据驱动型。测试型方法虽精度较高，但因测量困难且成本高昂[4][5]，难以实现实时应用。模型驱动方法（包含电化学模型[6][7]与等效电路模型[8][9]）普遍存在参数辨识困难、计算复杂度高及多工况泛化性不足等问题[10][11]。
近年来，数据驱动方法凭借其强大的非线性拟合能力与适应性成为优势替代方案。这类方法通常利用机器学习与深度学习模型，从易测健康特征（HFs）与电池退化过程中学习映射关系。当前研究进展可划分为以下方向：
第一条研究路径聚焦于将数据驱动模型适配至真实车辆数据。针对实验室测试与实际工况间的差异，Qian等[12]率先采用贝叶斯网络基于真实数据实现健康状态(SOH)估计。Zheng等[13]进一步提出MC-SCNN-LSTM网络以考虑电池包内单体电池间的不一致性，而Soo等[14]则在滤波处理的实际车辆数据上应用了CNN-Transformer混合网络。然而这些研究存在显著局限：其往往优先考虑电池包层面的状态估计，却未能在动态多变工况下为单体电池建立鲁棒且精确的评估基础——这对实现可靠的电池包管理至关重要。
第二条研究方向涉及简化建模与特征工程。为规避伪二维(P2D)模型等全阶电化学模型的复杂性[15]，单粒子模型(SPM)等简化框架已被开发并用于健康状态(SOH)预测[16][17][18]。与此同时，基于特征的方法直接从运行数据中提取健康指标，例如Zhao等[19]构建了稀疏自编码器进行特征学习，Cai等[20]则在双模态图像上采用融合回归网络。该方向的关键挑战在于依赖人工选择或未经优化的参数进行特征提取与信号分解，这可能削弱模型在不同电池类型和老化轨迹间的鲁棒性与泛化能力。
第三条技术路径采用信号分解技术处理非线性退化与容量再生问题。研究者将变分模态分解（VMD）等算法与回归模型结合，以解析复杂的容量衰减模式。如Zhu等[21]将VMD与混合核支持向量回归相结合，Yuan等[22]则提出基于VMD的CNN-Transformer框架。尽管效果显著，这些方法通常依赖预先设定的固定分解算法参数。由于缺乏自适应优化机制，可能导致信号分离效果欠佳，最终影响预测精度。
最终，主导方法采用循环神经网络来捕获时序依赖性。长短期记忆网络（LSTM）及其变体[23][24][25]因其对序列数据建模的能力而被广泛采用。该方法的扩展包括将内阻作为输入特征[26][27]。尽管应用广泛，标准LSTM模型仅以单向方式处理序列，可能忽略重要的未来上下文信息。此外，无性向标签的可信度与实用性通常依赖于全生命周期实验室测试，对于此类数据缺失的真实系统部署仍存疑虑。
表1总结了现有的各种方法。总体而言，尽管已取得显著进展，但目前基于数据驱动的电池健康状态（SOH）与寿命终止（EOL）预测方法仍面临若干相互关联的挑战：

• (1)
  泛化能力不足：模型在动态工况下往往缺乏鲁棒性，且在不同EOL阈值下表现不稳定。
• (2)
  实用性局限：依赖于实验室级全生命周期数据进行训练，限制了其在现实场景（数据存在部分缺失与噪声）中的应用价值。
• (3)
  架构欠优：多数模型未能将自适应信号处理与强序列建模有机结合，导致缺乏处理高度非线性电池退化数据的端到端鲁棒框架。
• (4)
  可扩展性缺陷：当前明显缺乏一种考虑单体不一致性的精确单体级SOH估计方法，该方法需明确设计为未来电池组管理的可扩展基础。

为应对这些挑战，本研究提出了一种融合先进特征提取技术与混合数据驱动方法的集成框架，显著提升了电池健康状态（SOH）与寿命终止（EOL）预测的精度和鲁棒性。所开发的方法论为电池健康监测提供了全新的分析范式。本研究的核心创新点包括：

• 1)
  本文提出了一种结合POA、FMD、TCN和BiLSTM模型的混合深度学习模型。其中，POA-FMD模型解决了能力再生效应的影响，TCN模型用于捕捉间接健康因子的时序依赖性，而BiLSTM模型在捕获与SOH相关输入变量间复杂非线性关系方面具有优势。
• 2)
  提出采用FMD方法对原始数据进行分解，并利用POA算法优化FMD模型参数，有效消除了容量再生的影响，减少了容量衰减现象，同时缓解了其他噪声源的干扰。
• 3)
  通过分析充放电数据并从定量角度进行Spearman相关性分析，获得了反映锂离子电池容量退化的间接健康指标。
• 4)
  构建TCN-BiLSTM模型旨在挖掘时间序列中的隐含特征信息。通过采用BiLSTM同步学习特征向量的前向与后向信息，强化了关键退化特征的表征能力，从而提升SOH与EOL预测的精度。

  FMD方法原理

  Y Miao等[28]提出了一种称为FMD新算法的信号分解方法，用于处理非平稳信号。该算法通过设计自适应有限冲激响应(FIR)滤波器组实现信号分解，无需依赖预设故障周期等先验知识。FMD算法在综合考虑信号冲击特性与周期性的基础上，能有效抵抗其他干扰与噪声的影响。
  相关峭度(CK)在第阶分解中的-th decomposition

  健康状态（SOH）与寿命终止（EOL）的定义

  为定量表征电池的退化过程，本文从电池容量的角度出发，将电池SOH定义如下：SOH=QCQR×100%其中：QC与QR分别表示电池在当前状态下的最大可用容量与额定容量。
  预测寿命终止（DEOL）误差由公式（11）给出：DEOL=CycleEOL−CycleiCycleEOL其中：Cycle(EOL)表示电池充放电至寿命终止(EOL)的循环次数；Cycle(i)为

  基于TCN-BiLSTM的SOH估计框架

  针对电池退化数据具有多维度、非线性且动态演变的特性所带来的挑战，本研究提出了一种混合TCN-BiLSTM架构。如图7所示，该融合模型通过协同结合TCN与BiLSTM网络的互补优势：TCN组件凭借其扩张因果卷积擅长提取局部时间模式与长期趋势，而BiLSTM模块则能增强时序特征表征能力。

  评估方法

  选取平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价模型预测能力的指标：MAPE=1n∑i=1nyî−yiyi∣×100%MAE=1n∑i=1n∣ŷi−yi∣RMSE=1n∑i=1nyî−yi2其中：n代表样本容量；i表示第i个样本；yî表示第i个样本的实际值；yi表示第i个样本的预测值。

  SOH预测误差

  本研究采用代表性电池样本（NASA B05与牛津C1）对所提框架进行评估

  在线模型更新机制

  我们明确指出，当前工作基于历史数据集的离线训练，且模型为静态结构，难以适应不同电池批次、电解液配方改进或快充策略引发的老化特征变化。