《Energies》：A Whale Optimization Algorithm-Enhanced CNN–TCN Model with Temporal Attention for Lithium-Ion Battery State-of-Health Estimation
编辑推荐：
可靠的健康状态（SOH）估计在锂离子电池储能系统的安全稳定运行中起着重要作用。然而，电池的非线性退化特性和复杂的老化行为阻碍了准确的SOH估计。本研究提出了一种基于鲸鱼优化算法（WOA）优化的卷积神经网络（CNN）–时序卷积网络（TCN）–时序模式注意力（TP
可靠的健康状态（SOH）估计在锂离子电池储能系统的安全稳定运行中起着重要作用。然而，电池的非线性退化特性和复杂的老化行为阻碍了准确的SOH估计。本研究提出了一种基于鲸鱼优化算法（WOA）优化的卷积神经网络（CNN）–时序卷积网络（TCN）–时序模式注意力（TPA）框架，用于锂离子电池SOH估计。从充放电曲线中提取多个健康因子以表征电池退化行为。采用邻域插补和Hampel-中位数绝对偏差（MAD）校正处理缺失值和局部异常值，同时应用皮尔逊相关分析评估所提取特征的相关性。CNN模块捕获局部退化模式，TCN模块学习长期老化依赖关系，TPA机制增强关键退化阶段的表示。此外，WOA自适应优化关键超参数以提高模型性能和鲁棒性。使用NASA和CALCE电池数据集验证所提出的框架。实验结果表明，与CNN-TCN模型相比，所提出的方法在NASA数据集上将RMSE降低了7.49–50.81%，在CALCE数据集上降低了15.83–60.38%，实现了更高的估计精度和稳定性。
**论文解读：基于鲸鱼优化算法增强的CNN-TCN-TPA模型用于锂离子电池健康状态估计**
**研究背景与问题**
随着电动汽车和电化学储能系统的快速发展，锂离子电池因其高能量密度、长循环寿命和良好的功率性能而成为最广泛使用的储能器件之一。然而，在反复充放电过程中，电池内部电化学特性逐渐变化，温度、电流倍率、老化路径和工况等因素加速容量衰减和内阻增长，导致性能退化甚至安全隐患。因此，准确估计锂离子电池的健康状态（State of Health, SOH）对电池安全评估、寿命预测、维护管理和储能系统优化至关重要。SOH的直接测量难以通过车载传感器实现，通常依赖可测信号或提取的健康因子来推断退化状态。现有研究涉及恒流充电时间、增量容量特征、电化学阻抗、弛豫行为及内阻变化等指标，但这些指标各有局限性：容量测试耗时且不适合在线实施；阻抗和内阻测量需特定条件或额外设备；温度信息易受环境影响。单一指标难以在复杂工况下实现稳定估计。相较于容量和阻抗测量，充放电曲线更易获取且包含丰富老化信息，因此研究人员常从中提取健康因子。然而，原始电池数据常受缺失值、噪声和异常样本干扰，影响序列连续性。现有异常检测方法如局部异常因子、3-Sigma准则等受分布假设和阈值选择影响。为此，本研究采用Hampel-MAD方法提升健康因子序列质量。在建模方法上，基于模型的方法（如电化学模型和等效电路模型）依赖模型结构和参数辨识，鲁棒性有限；数据驱动方法通过学习历史数据中的退化模式进行SOH估计，但单一网络结构难以满足所有建模需求：卷积神经网络（CNN）可挖掘局部退化模式，但长程演化描述能力有限；时序卷积网络（TCN）适合建模时序依赖，但未显式突出不同时间步的贡献；注意力机制可增强关键阶段表示，但有效性依赖于特征质量和参数配置。基于上述问题，研究人员开展了本研究。
**研究内容与结论**
本研究提出了一种基于鲸鱼优化算法（WOA）增强的CNN-TCN-TPA框架用于锂离子电池SOH估计。该框架从充放电曲线中提取健康因子，采用邻域均值插补和Hampel-MAD异常校正进行预处理，再通过皮尔逊相关分析筛选特征。模型由CNN提取局部退化信息，TCN学习长期退化趋势，时序模式注意力（TPA）机制赋予关键时间步更高权重。WOA自适应优化窗口长度、学习率、卷积通道数、核大小、注意力隐藏单元和丢弃率等超参数。使用NASA和CALCE电池数据集进行验证，实验结果表明，与CNN-TCN模型相比，所提方法在NASA数据集上RMSE降低7.49–50.81%，在CALCE数据集上降低15.83–60.38%，实现了更高的估计精度和稳定性。交叉电池验证和消融实验进一步证实了TPA和WOA优化的有效性。该研究发表在《Energies》。
**主要关键技术方法**
（1）健康因子提取：从恒流/恒压充电和恒流放电曲线中提取时间域指标（恒流充电时间、恒流放电时间）、电压域指标（恒压上升时间、恒压下降时间）、面积指标（恒流充电曲线下面积）以及增量容量（IC）曲线特征（IC峰值电压、IC峰值数据点数）。（2）数据预处理：采用邻域均值插补处理缺失值，使用Hampel-MAD方法（窗口大小为31，阈值系数k=4.0）检测异常值，并以局部中位数替换，保留物理上有意义的容量再生现象。（3）特征筛选：通过皮尔逊相关分析评估各健康因子与SOH的相关性，保留相关系数绝对值大于0.90的特征作为模型输入。（4）模型架构：CNN模块通过多尺度卷积提取局部退化模式；TCN通过膨胀因果卷积和残差连接建模长期时间依赖；TPA模块计算各时间步的注意力权重，加权聚合隐藏状态以增强关键阶段表示；WOA通过包围猎物、随机搜索和螺旋更新策略优化超参数。样本来源：NASA电池数据集（B0005、B0006、B0007、B0018）和CALCE电池数据集（CS2_35、CS2_36、CS2_37、CS2_38），均采用恒流/恒压充电和恒流放电协议。
**研究结果**
**3.3 对比实验**：通过将WOA-CNN-TCN-TPA与SVR、LSTM、GRU、CNN、TCN、CNN-TCN、Informer和Transformer等八种模型在NASA和CALCE数据集上进行对比，结果表明所提模型在大多数情况下获得更低的RMSE、MAE和MAPE。与单一TCN相比，WOA-CNN-TCN-TPA在NASA电池上的RMSE精度提升33.0%–72.6%，在CALCE电池上提升44.9%–68.7%。与CNN-TCN相比，RMSE在NASA数据集上降低7.49–50.81%，在CALCE数据集上降低15.83–60.38%。该结论通过对比实验的误差指标和预测曲线得出，证实了CNN、TCN、TPA和WOA联合建模的优势。
**3.4 交叉电池验证与消融实验**：为评估模型对未见电池的泛化能力，研究人员进行了交叉电池验证实验。以NASA数据集中的B0005和B0018、CALCE数据集中的CS2_37和CS2_38作为测试电池，其余电池用于训练。将CNN-TCN（模型1）、CNN-TCN-TPA（模型2）和WOA-CNN-TCN-TPA（模型3）进行对比。结果显示，添加TPA后（模型2相比模型1）RMSE降低14.35%–25.20%，MAPE降低8.50%–38.31%；WOA优化后（模型3相比模型2）RMSE进一步降低18.37%–36.41%，MAPE降低32.67%–43.28%。完整模型（模型3）相比CNN-TCN基线，RMSE降低30.08%–52.43%，MAPE降低41.97%–65.01%。该结论通过交叉电池测试的误差指标和估计曲线得出，表明TPA和WOA均对跨电池估计性能有贡献。
**讨论与结论**
讨论部分指出，所提模型在受控实验室数据集上表现良好，但无法完全代表实际工况（如高温、高倍率充电、动态负载等），这些条件可能改变健康因子分布并降低估计精度。此外，模型仅使用前60%循环数据训练，未系统评估仅早期少量循环（如10–20%）下的性能。WOA超参数搜索使用固定随机种子，未通过重复独立试验评估运行间变异性和收敛稳定性。模型未显式纳入容量再生的电化学弛豫机制，未来可引入物理信息约束。在线部署时，模型训练和WOA优化离线进行，嵌入式系统仅需执行前向推理，但尚未在商业BMS控制器上基准测试，需进一步量化参数数量、存储需求、CPU推理延迟等。
**结论翻译**：为了实现更可靠的锂离子电池SOH估计，本研究开发了一种由TPA机制增强的CNN-TCN模型。（1）针对NASA和CALCE锂离子电池数据集，从充放电曲线中提取了包括时间特征、面积特征和增量容量曲线特征在内的健康因子，以表征电池容量退化、电压平台变化和电化学老化过程。同时，采用局部邻域均值法插补缺失值，使用Hampel-MAD方法检测异常值并以局部中位数替换，提高了健康因子序列的完整性和可靠性。（2）设计了CNN-TCN-TPA框架以增强电池退化特征的表示。CNN关注健康因子序列中的局部变化，TCN通过膨胀因果卷积建模长程时间演化，TPA通过自适应注意力权重突出与老化相关的时间步。为进一步提升模型性能，采用WOA搜索合适的超参数组合，包括输入窗口长度、学习率、卷积通道数、核大小和注意力隐藏维度，减少了对人工参数选择的依赖。（3）使用NASA和CALCE数据集评估了所提框架的有效性。结果表明，在大多数情况下，WOA-CNN-TCN-TPA获得了比传统机器学习方法和单个深度学习模型更低的RMSE、MAE和MAPE。与CNN-TCN相比，在NASA数据集上RMSE精度提升7.49–50.81%，在CALCE数据集上提升15.83–60.38%，证实了所提框架能够提供更准确和稳定的锂离子电池SOH估计。
