基于粒子群优化的特征加权及锂离子电池早期循环剩余使用寿命预测

《Vehicles》：Particle Swarm Optimization-Based Feature Weighting and Early-Cycle Remaining Useful Life Prediction of Lithium-Ion Batteries

　　

中文摘要翻译：预测锂离子电池的剩余使用寿命（RUL）对于电动汽车和储能系统的安全性、可靠性和维护至关重要。尽管机器学习算法已显著提高了预测精度，但当前许多模型仍存在主要缺陷，包括特征冗余、因模型设置未优化而导致的性能不佳，以及需要对系统完整退化过程的依赖。在本研究中，研究人员开发了一种基于粒子群优化（PSO）的机器学习框架，用于执行超参数调优和特征优化，以改进锂离子电池RUL预测。该框架能够自动确定关键退化指标，从而优化学习模型，并提高预测的准确性和可解释性。此外，该框架设计用于早期循环学习环境，即仅利用电池放电循环的前30%进行模型训练。该方法旨在模拟实际应用中完整生命周期数据不可用的约束。在适当嵌套的评估协议下，结果表明，仅使用30%退化循环时，模型在五次独立评估中平均R²为0.354 ± 0.157，均方根误差（RMSE）为19.13 ± 1.39，而在全循环训练下平均R²为0.922 ± 0.014，RMSE为18.10 ± 1.11。尽管由于样本量较小，早期循环预测的解释力有所降低且变异性更大，但模型保持了合理的误差幅度，支持其在锂离子电池早期诊断中的潜在用途。通过特征重要性分析、优化收敛性评估和多指标误差评估，确认了该框架的有效性。总之，该框架为预测锂离子电池RUL提供了一种高度可解释且有效的解决方案，与新兴的基于数据的电池管理系统方法相一致。

论文解读：

**研究背景与问题**

锂离子电池因其高能量密度、长循环寿命、低自放电率和良好的功率重量比，已成为电动汽车、便携式电子设备和大型电网储能系统最受青睐的储能方案。然而，锂离子电池在反复使用中会通过复杂的界面电化学过程发生退化，包括固体电解质界面（SEI）膜生长、锂沉积和活性物质溶解，这些过程还会在电极界面诱发机械应力。这种渐进式退化直接影响依赖精确电池健康评估的系统安全性、可靠性和成本效益，使可靠的退化跟踪成为电池管理系统（BMS）的核心关注点。对于电动汽车，RUL的准确预测直接关系到车载关键系统，BMS需实时监测电池健康以确定充放电循环、防止热失控并保障车辆安全。此外，对于新部署的电动汽车，早期循环预测能力是运营和车队管理（如保修和续航估算）的重要组成部分。

目前RUL预测方法可分为纯模型驱动方法、数据驱动方法和混合技术。基于物理失效模型的方法（如P2D模型、单粒子模型）具有高物理可解释性，但需要大量领域知识、众多参数和精细调优，且难以推广到不同电池类型和工况。数据驱动方法利用历史循环数据和机器学习算法学习退化模式，经典方法包括支持向量回归（SVR）、高斯过程回归（GPR）和随机森林（RF），近期深度学习技术如LSTM、CNN和混合模型也被广泛采用。然而，现有方法仍存在四大挑战：第一，电池数据常包含大量冗余和相关特征，增加噪声并损害模型可解释性；第二，特征选择和超参数调优大多独立进行，采用手动试错和网格搜索，无法获得全局最优组合；第三，大多数研究假设完整生命周期退化数据可用，但现实中往往无法获得；第四，多数成功模型（尤其是深度学习模型）被视为“黑箱”，缺乏对退化机理的洞察，限制了在安全关键领域的应用。这些挑战促使研究者采用基于种群的元启发式算法（如粒子群优化PSO）来解决电池预测中的特征选择和超参数优化问题。

**研究目标与创新点**

本研究提出一种基于PSO的机器学习框架，在单一粒子表示中同时优化随机森林（RF）的超参数和特征权重，而非像以往研究（如Shu等人、Yang等人）那样将特征选择和超参数调优视为顺序、解耦的步骤。该框架允许自动确定关键退化指标，优化学习模型，并提高预测的准确性和可解释性。此外，框架设计用于早期循环学习环境，仅利用前30%的放电循环进行训练，以模拟实际应用中完整生命周期数据不可用的约束。研究还进行了可解释性分析，将PSO导出的特征权重与物理意义的退化指标联系起来，并分别评估了全周期和早期循环模式。

**主要技术方法**

研究使用了NASA卓越预测中心（PCoE，位于美国加利福尼亚州莫菲特场）提供的锂离子电池老化数据集，重点关注电池单元B5、B6和B7。数据集包含每个循环的电流、电压、温度、容量和健康状态等测量值。数据预处理包括删除缺失值、消除非数值条目、使用最小-最大缩放将所有特征归一化到(0,1)区间。数据集按80%训练/20%测试划分，并在PSO阶段应用5折交叉验证以防止过拟合。特征工程提取了循环指数、充放电电流、电压、温度、容量趋势和健康状态等特征，并计算一阶差分以捕捉短期退化行为。使用皮尔逊相关系数进行相关性分析。PSO算法同时优化特征权重和随机森林超参数（树的数量、最大深度、最小样本数），目标是最小化预测RUL与实际RUL之间的均方根误差（RMSE）。采用嵌套交叉验证协议防止数据泄漏：首先将数据集划分为外层训练集（80%）和外层测试集（20%），PSO适应度函数仅在外层训练集上通过内层5折交叉验证评估，外层测试集在特征权重和超参数选择过程中完全不可见。最终模型在外层测试集上评估一次，并在五个独立随机种子下重复以评估稳定性。对于重复运行鲁棒性分析和早期循环敏感性分析，使用了计算上较轻的PSO配置（10-15个粒子，10-20次迭代，3折内层交叉验证）。随机森林回归模型因其非线性问题处理能力和良好泛化性能而被选用。早期循环预测策略使用前150个循环中的30%进行训练，敏感性分析评估了10%、20%、30%和40%阈值。性能评估使用平均绝对误差（MAE）、RMSE和决定系数（R²）。

**研究结果**

**4.1 基于PSO的特征重要性分析**：PSO优化的特征权重分布显示，循环数和充电参数（如充电电流、充电电压）对RUL预测影响最大，而温度和放电参数影响较小。类别级权重分析进一步表明，充电和健康参数在不同训练场景中贡献显著，这使模型能够忽略冗余退化因素，专注于与退化相关的输入。

**4.2 PSO收敛与优化行为**：PSO在连续多维搜索空间中运行，涵盖特征权重和随机森林关键超参数。适应度值在迭代过程中持续下降，并在约30次迭代后趋于稳定，表明算法已收敛到接近最优解，且未过早停止。

**4.3 优化模型性能评估**：在相同训练-测试划分和协议下，所提出的PSO-RF框架性能与调优的深度学习基线（LSTM、GRU）相当，并明显优于未优化的随机森林基线（RMSE从19.02降至18.10）。PSO-RF具有架构更简单、训练和推理算法复杂度更低、且能产生直接可解释的优化派生特征权重的优势。

**4.3.1 数据泄漏验证与跨电池泛化**：嵌套交叉验证（五个随机种子）显示全周期训练下RMSE = 18.10 [16.72, 19.48]，R² = 0.922 [0.905, 0.939]；早期循环（30%）训练下RMSE = 19.13 [17.40, 20.86]，R² = 0.354 [0.159, 0.549]。留一电池交叉验证（LOBO）显示平均R² = 0.859，低于分布内性能，反映电池间退化行为的变异性。

**4.3.2 性能差异的统计显著性**：配对t检验和Wilcoxon符号秩检验表明，PSO-RF相对于未优化随机森林的改进处于临界显著（平均ΔRMSE = 0.53，t检验p = 0.051；Wilcoxon p = 0.125），而与调优SVR无显著差异（p = 0.317），支持PSO-RF与最强调优基线性能相当的说法。

**4.4 早期循环RUL预测能力**：仅使用前30%循环训练时，模型仍能实现合理预测精度，RMSE为19.13 ± 1.39，与全周期训练相当，但R²降至0.354 ± 0.157，反映样本量较小和早期目标范围较窄。模型在数据受限情况下的鲁棒性表明其实际部署潜力。

**4.5 早期循环阈值选择的敏感性分析**：在10%、20%、30%和40%阈值下，R²在较小样本量下不稳定：10%时为0.168 ± 0.200，20%时降至0.088 ± 0.170，30%时改善至0.354 ± 0.157，40%时进一步升至0.594 ± 0.084且方差减小。绝对误差在10%时最低（RMSE = 16.14），部分原因是早期RUL值范围较窄，而非模型学习充分。30%阈值因对应实际早期部署监测窗口（如EV保修期）而被保留，而非经验最优精度点。

**4.6 与现有研究的比较讨论**：在公平协议下，调优SVR（RMSE = 15.38）和LSTM（RMSE = 16.57）误差略低于PSO-RF（RMSE = 18.10 ± 1.11），但SVR需要独立的超参数搜索且不考虑特征加权，LSTM计算资源需求高、可解释性差。PSO-RF在全周期训练下实现R² = 0.922 ± 0.014，同时提供直接可解释的特征重要性，无需事后分析工具（如SHAP）。

**4.7 所提框架的车辆级影响**：PSO-RF框架具有轻量级架构、早期循环评估场景、PSO优化的特征权重（充电电流和温度）等潜在优势，但实际部署需硬件在环测试和实时验证。研究未报告实际训练时间和内存使用，但基于算法复杂度分析，随机森林训练约为O(t·n·log(n)·m)，PSO乘以粒子数和迭代次数。框架目前不支持在线或增量学习，未来需开发在线随机森林变体与滑动窗口PSO重加权方案。

**结论与未来展望**

研究提出了一种基于粒子群优化的随机森林回归方法，用于预测锂离子电池RUL。该方法将特征加权和超参数调优结合在单一联合优化框架中，区别于以往解耦或模型特定的PSO方法。在适当嵌套评估协议下，全周期训练时模型实现平均RMSE = 18.10 ± 1.11和R² = 0.922 ± 0.014，性能与调优深度学习基线相当，且架构更简单、特征权重直接可解释。早期循环（30%）训练下RMSE = 19.13 ± 1.39，但R²降至0.354 ± 0.157，反映数据限制。敏感性分析表明预测稳定性随早期数据增加而改善，30%阈值因部署相关性被保留。特征重要性分析确认循环和充电相关参数对预测影响最大。PSO收敛行为验证了优化过程的有效性和稳定性。研究局限性包括：基于单一实验室数据集、未进行正式PSO配置敏感性分析、未报告训练时间/内存基准、未包含在线学习或嵌入式集成。未来工作应评估非受控工况数据集（如CALCE、牛津电池退化数据集）、引入每预测不确定性量化（如保形预测或分位数回归森林）、开发在线学习变体，并在嵌入式硬件上进行实证基准测试。总体而言，该框架为锂离子电池RUL预测提供了高可解释性和有效的解决方案，与新兴的数据驱动电池管理方法一致。