SSB蓄电池基于充电曲线积分的级联增强网络用于锂离子电池健康状态预测

2026-03-19 20:58:02

摘要

准确快速地预测电池健康状态(SOH)对提升电池系统可靠性、实现有效的电池管理至关重要。然而，现有方法大多依赖从单一放电曲线提取的特征，易受数据波动影响，因而无法稳定捕捉容量退化规律。此外，这些方法中的特征优化将降维与去噪割裂处理，往往导致与SOH相关的关键信息丢失。此外，现有预测模型或仅能提取局部特征，或难以平衡长期时间依赖性建模与推理速度，无法实现预测精度与效率的协同优化——最终限制了整体预测性能。针对这一问题，本研究提出基于充电曲线积分的分层增强网络用于锂离子电池SOH预测。首先，通过计算充电曲线下的时间积分面积，该方法稳定捕捉电池整体容量退化模式，并显著降低噪声敏感性，为高精度预测奠定坚实基础。其次，构建了ReliefF-CEEMDAN框架：先采用ReliefF算法筛选高维健康指标（HIs），实现高效降维并识别核心退化特征；继而运用CEEMDAN（完全自适应噪声集合经验模态分解）对这些关键特征进行精准去噪。该流程强化了微弱但关键的长周期退化趋势信号，实现了"降维-去噪"的协同优化。最终，本研究开发了一种级联增强网络模型（TCN-BiLSTM-Attention），该模型整合了时序卷积网络（TCN）高效的局部特征提取能力、双向长短期记忆网络（BiLSTM）的长时依赖建模能力，以及注意力机制对关键退化节点的动态聚焦功能——从而实现了预测精度与速度的平衡。实验结果表明，所提方法展现出优越性能：相较于单一模型，其均方根误差（RMSE）降低了9.26%；与传统混合模型相比，误差进一步减少10.91%。这些结果证实了该方法在捕捉电池退化特征和实现高精度健康状态（SOH）预测方面具有增强能力，为电池管理系统（BMS）的优化与可靠运行提供了有力支撑。26%，相较于传统混合模型降低了10.91%。这些结果验证了所提方法在捕捉电池退化特征和实现高精度健康状态（SOH）预测方面的增强能力，为电池管理系统（BMS）的优化与可靠运行提供了坚实保障。

引言

锂离子电池因其环境友好性、高能量密度和低自放电率等优势，被广泛应用于电动汽车(EVs)、储能系统及航空航天等领域[1]。在日常使用过程中，锂离子电池经历反复充放电循环，这会引发内部结构变化，进而通过容量衰减和内阻增加等外在形式影响其性能表现[2][3]。这些变化最终会导致电池性能下降，危及运行安全性与可靠性。健康状态(State of Health, SOH)是表征电池老化程度的核心参数，通常通过量化电池容量保持率或内阻变化率来反映性能退化情况[4][5]。因此，对锂离子电池SOH进行准确监测至关重要。
目前，锂离子电池健康状态(SOH)的预测方法主要分为基于模型的方法和数据驱动方法。基于模型的方法通过构建电路模型、化学模型或数学模型来模拟电池内部或外部特性，从而反映其老化状态。这类模型包括等效电路模型、电化学模型和经验模型。等效电路模型利用电阻、电容等元件的组合来模拟电池动态特性，具有结构简单、参数辨识精度高等优势，因此在SOH预测中得到广泛应用。例如，Wang等[6]设计了一种有限记忆递归最小二乘算法来提高模型参数辨识精度，并将其与双扩展卡尔曼滤波及BP神经网络相结合进行修正，从而进一步提升SOH预测的准确性。电化学模型侧重于描述内部化学反应特性，能够更精确地揭示老化机理。以典型的伪二维（Pseudo Two-Dimension, P2D）电化学模型为例[7]，Chen等采用偏微分方程描述电池动力学特性，构建了表征电池老化趋势的模型并实现了较高的预测精度。然而，电化学模型虽然精度较高，但涉及极其复杂的计算过程，有时甚至需要拆解电池。总体而言，基于模型的方法主要通过模拟外部特性进行工作，但表现出较差的适应性。
随着机器学习和深度学习的进步，数据驱动的SOH预测方法日益受到关注。该方法利用神经网络回归算法和优化技术建立电池健康因子（HFs）与容量退化之间的映射关系[8][9]，无需深入研究电池工作机制，而是依赖锂电池循环过程中产生的大量数据进行训练。通常而言，预测精度会随着训练样本量的增加而提升，同时也受电池老化健康因子（HF）提取质量和神经网络结构的影响。例如，Chen等人[10]提出了一种新型BPNN用于SOH预测，采用电压、电流、温度和充电时间作为输入，自适应设置隐含层节点数量，并在多个电池数据集上验证了该方案的有效性和鲁棒性。Wu等人[11]采用粒子群优化算法优化BP神经网络参数，提取多重老化特征并通过主成分分析降维，有效提升了SOH预测精度。Zhang等[12]将改进的花授粉算法（MFPA）与时间卷积网络（TCN）相结合，通过超参数优化确定最佳网络拓扑结构，并将原始传感器数据与等效电路模型欧姆电阻轨迹融合进行SOH预测，在提高精度的同时降低了计算负担。鉴于锂电池老化数据具有强时序相关性，序列模型已得到广泛应用。Seok等[13]采用长短期记忆神经网络(LSTM)作为骨干网络，解决了传统循环神经网络在处理序列数据时存在的梯度消失等问题。Zhang等[14]以电池容量表征SOH，构建LSTM模型从时间序列角度提取容量退化模式，实验证明该方法能有效预测锂离子电池可用容量。[15]利用遗忘因子递推最小二乘法基于实车数据精确提取欧姆内阻，通过Pearson相关性分析筛选高关联参数作为LSTM输入，构建了能在多种工况下实现高精度预测的SOH模型。Fan等[16]基于电化学阻抗谱(EIS)特征参数序列，利用双向长短期记忆网络(BiLSTM)建立了与电池容量的强相关性，并应用特征匹配迁移学习技术将基础模型迁移至不同工况下的电池数据。Chen等[17]综合集成了LSTM、BPNN和支持向量回归(SVR)三种算法，综合考虑温度、电压和电流因素，通过Q-learning强化学习实现根据工作环境自适应调整算法权重，提升了健康状态(SOH)预测精度与鲁棒性。针对LSTM在解决长期依赖关系方面的局限性，Gu等[18]采用基于注意力结构的Transformer模型来捕获输入序列中的全局依赖关系。该模型展现出更高的并行性与效率，在锂电池SOH预测中表现出更强的信息表征能力。Lin等[19]将电池电压时间序列数据转换为马尔可夫转移场图像，随后采用Swin Transformer网络进行分类以快速提取电压特征并预测电池容量。在特征工程方面，Chen等[20]将等效电路模型与Transformer网络相结合：首先采用跨学习混合分数阶粒子群优化策略进行模型参数辨识；随后筛选反映SOH的模型参数作为健康因子；最终通过Transformer网络完成预测与预报。实验结果表明该模型具有较高精度且收敛速度快。Zhang等[21]聚焦于增量容量曲线（Incremental Capacity, IC）特征研究：基于电压、电流、温度等直接测量数据，采用卡尔曼滤波对原始IC曲线进行去噪处理，并将循环充放电IC曲线的峰值及其到达时间作为健康状态指标。训练后的模型展现出优异的泛化性能。Wu等人。[22]提出一种基于开普勒优化算法与多层卷积神经网络（CNN）的方法：通过皮尔逊相关系数和ReliefF算法筛选健康指标并降维；优化后的双层CNN显著提升了预测精度。Yang等人[23]提出增强型CNN框架：从恒流充电阶段随机提取变长片段并按等容量分段，采用四分位距法剔除异常值。在引入迁移学习后，该模型展现出卓越的普适性和泛化能力。
近期，融合多种模型优势的混合神经网络模型在锂电池健康状态（SOH）预测领域取得了成功应用[24]。Ding等[25]提出了一种基于贝叶斯优化（BO）算法优化的混合CNN与BiLSTM模型：通过提取时序特征与差分特征描述电池老化特性；BO算法自动搜索最优参数以避免陷入局部最优。相较于基线模型，该方法获得了更高的预测精度与放电倍率鲁棒性。Kim等[26]提出了一种采用Barron自适应鲁棒损失函数与跳跃连接的GraphSAGE-LSTM-SAGE架构（SLS-adaptive）：仅需从充电电压/电流曲线提取五个健康指标（HIs），即可在数据集上获得比传统方法更高的预测精度与长期稳定性。Gao等[27]提出了一种基于CNN-BiGRU-Attention的混合模型：该模型融合了电压-容量曲线（Voltage-Capacity Curve, Q(V)）、时间-电压曲线（Time-Voltage Curve, T(V)）以及增量容量（IC）曲线的特征，并采用改进灰狼优化算法（IGWO）进行参数优化。实验表明，该模型显著优于支持向量机（SVM）等传统方法，尤其在小数据集条件下展现出更优的预测精度与鲁棒性。
当前研究主要依赖线性/非线性相关性指标来建立候选特征与电池健康状态（荷电状态[SOC]/容量）之间的关联。例如，Xiong等[28]从电池部分充电曲线中提取健康相关特征，采用皮尔逊相关系数筛选与SOH强相关的特征作为模型输入，并引入权重函数和线性方程对标准支持向量机（SVM）进行改进，从而提升了SOH特征指标的提取精度。Wang等[29]首次基于实车运行数据，采用带遗忘因子的递推最小二乘法准确提取了欧姆内阻；在此基础上，他们通过皮尔逊相关性分析筛选出与电池欧姆内阻高度相关的参数，并将其作为长短期记忆（LSTM）神经网络的输入，所构建的SOH预测模型在多种工况下实现了高精度的状态预测。刘等人。[30]通过皮尔逊相关系数和网格搜索确定了与电池容量相关性最高的特征指标，并提出一种分数融合机制来整合不同电池容量分布下的聚类方法，从而提升了分选方法的适应性和准确性。与线性的皮尔逊相关系数不同，倪等人。[31]采用Levenberg-Marquardt方法和Spearman相关性分析提取了与电池容量衰减机制直接相关的三个健康指标，并引入改进的飞蛾扑火优化算法对支持向量回归(SVR)方法的参数进行优化——防止算法陷入局部最优，即使训练样本较少也能快速准确地预测电池剩余容量。此外，为通过从高维数据中筛选代表性信息并减少冗余特征影响来提高模型精度，Wang等[32]通过插值将电池放电电压曲线转化为低维斜率序列参数，并进行数据对齐和降噪处理，确保筛选电池在电压、内阻及容量等关键参数上具有更高一致性。Fan等[33]进一步利用基于电化学阻抗谱（EIS）特征参数序列的双向长短期记忆（BiLSTM）模型，建立了一系列与电池容量高度相关的特征参数，并提出了一种特征匹配迁移学习技术，将根据测试数据建立的基础模型迁移至不同工况下的电池数据。
尽管上述研究取得了良好成果，现有锂离子电池健康状态(SOH)预测方法仍面临实际挑战。在特征融合层面，我们首先注意到近期研究主要采用充电阶段特征（与[12][23][29]一致），这些特征具有高稳定性且不受动态驾驶工况影响。但仍存在两个关键局限：(1)部分研究仍仅依赖单一放电曲线特征（如[32]），易受读档波动影响且缺乏可重复性；(2)即便是聚焦充电阶段的研究也常忽略放电阶段的互补性——例如基于充电的方法擅长捕捉锂背包损耗，却难以表征活性材料衰减。因此，现有方法多采用单一放电或部分充电特征，未能充分利用多性向老化信息；甚至基于充电/EIS的方法也缺乏跨域信号融合。[32]），这类方法易受读档波动干扰且缺乏可复现性；(2)即便是以充电阶段为核心的研究，也普遍忽视放电阶段的互补价值——例如基于充电特征的方法虽能有效捕捉锂背包损耗，却难以量化活性材料退化。这导致现有方法或采用单一放电曲线，或仅选取部分充电特征，均无法全面整合多性向老化信息；即使结合电化学阻抗谱(EIS)的充电特征方法，仍存在跨域信号融合不足的缺陷。在数据预处理方面，传统的降维与降噪技术难以兼顾高维特征保留与噪声消除；例如，Wang等[32]虽实现了电压曲线的低维转换，但该方法仍弱化了多尺度老化特征间的本征关联，可能导致老化信息失真。在模型架构方面，单一循环神经网络(RNNs)或卷积神经网络(CNNs)缺乏同时捕获电池时序数据长短期依赖特征的能力；即使LSTM/BiLSTM模型（如[29][33]）提升了时序建模能力，其高计算复杂度仍无法满足车载快速预测需求。这些均是亟待解决的核心问题。
为解决上述问题，我们提出一种基于充电曲线积分感知的级联增强网络用于锂离子电池健康状态（SOH）预测。首先，构建了一个基于充电曲线-时间轴积分面积的鲁棒健康特征集。该方法通过计算充电曲线与时间轴围成的区域面积，从本质上稳定捕获电池整体容量衰减模式，显著降低数据波动引起的噪声敏感性，为后续高精度预测奠定稳健特征基础。此外，本研究构建了一种高效的级联特征优化框架（ReliefF-CEEMDAN）。该框架利用ReliefF算法快速筛选高维健康因子（HIs）以实现高效降维，并锁定核心退化特征；同时采用CEEMDAN方法对关键特征进行去噪处理，精确分离噪声干扰并增强微弱但至关重要的长期退化趋势信号。更进一步，我们设计了一种新型级联增强网络（TCN-BiLSTM-Attention）。该模型深度融合了TCN的高效局部模式提取与并行计算优势、BiLSTM强大的长期时序依赖建模能力，以及注意力机制对关键退化节点的动态聚焦能力，有效解决了传统模型在精度与速度之间的平衡问题，实现了对电池SOH的高精度、高效率预测。
本文的主要贡献总结如下：

• (1)
  本研究提出了一种基于充电曲线整合的分层增强网络，用于锂离子电池健康状态（SOH）预测。通过充电曲线稳定化与特征整合、ReliefF-CEEMDAN协同降维去噪以及TCN-BiLSTM-Attention集成建模，该方法能够克服现有方法的局限性，包括对数据波动的敏感性、关键信息丢失以及精度与效率难以平衡等问题。因此，该方法实现了预测性能的显著提升。
• (2)
  提出了一套基于充电曲线-时间轴积分面积的鲁棒健康特征。通过充电曲线-时间轴积分面积捕捉容量衰减，是降低数据波动引起的噪声敏感性的重要特征集，从而为SOH预测提供了稳健的基础。
• (3)
  设计了一种高效的级联特征优化框架ReliefF-CEEMDAN。该框架能在保留与SOH强关联的关键信息的同时，实现特征的快速降维与去噪，从而提升特征质量。
• (4)
  构建了名为TCN-BiLSTM-Attention的级联增强网络。该网络能高效捕获数据中与SOH高度关联的局部关键信息并滤除冗余干扰信号；准确关联健康特征在长期时间维度上的演化规律，避免短期数据波动造成的判断偏差；最终动态聚焦对SOH变化影响最大的核心特征，同时弱化次要特征带来的干扰。