《Mathematics》：A Method for Estimating the State of Health of Lithium-Ion Batteries Based on Hybrid Neural Network Model
编辑推荐：
锂离子电池健康状态（SOH）的准确估计是电池管理系统安全可靠运行的基本前提。针对现有SOH估计方法中特征代表性不足、手动依赖超参数调优以及小样本条件下泛化能力有限的问题，本研究提出了一种基于卷积神经网络（CNN）和RIME优化算法优化的双向门控循环单元（BiG
锂离子电池健康状态（SOH）的准确估计是电池管理系统安全可靠运行的基本前提。针对现有SOH估计方法中特征代表性不足、手动依赖超参数调优以及小样本条件下泛化能力有限的问题，本研究提出了一种基于卷积神经网络（CNN）和RIME优化算法优化的双向门控循环单元（BiGRU）的混合SOH估计方法。与依赖单向循环结构且仅能利用前向时间信息的现有CNN-GRU/LSTM模型不同，所提出的CNN-BiGRU架构捕获电池退化中固有的双向上下文依赖关系，从而能够从有限的循环数据中更全面地表征老化动态。首先，从增量容量（IC）曲线中提取13个与容量退化相关的健康指标（HI），并采用斯皮尔曼秩相关系数选择相关性最高的最优特征子集。其次，构建CNN-BiGRU混合架构，其中CNN提取局部退化特征，BiGRU捕获双向时间依赖性。更重要的是，引入RIME算法自动全局优化模型的核心超参数，取代了依赖手动试错或网格搜索的方法。最后，在公开NASA数据集上进行了消融实验和对比实验。结果表明，在80%和60%训练集比例下，所提模型在三个电池单体上的MAE、MAPE和RMSE均显著优于其他对比方法，证实了其在有限样本条件下在估计精度、鲁棒性和泛化能力方面的综合优越性。
**论文解读：基于RIME优化CNN-BiGRU的锂离子电池健康状态估计方法**
**研究背景与问题**
锂离子电池因其高能量密度、长循环寿命和低自放电率等优势，被广泛应用于电动汽车、电网储能和便携式电子设备中。然而，长期服役过程中电池不可避免地发生不可逆老化，导致容量衰减和内阻增加，威胁系统安全与可靠性。健康状态（SOH）作为量化电池累积退化的关键指标，通常定义为当前容量与额定容量之比，其准确估计对电池管理系统（BMS）的安全监控、充放电策略优化和寿命预测至关重要。
传统SOH估计方法主要分为基于模型的方法和直接测量方法。基于模型的方法构建等效电路模型或电化学模型，但其精度高度依赖模型结构和参数辨识的可靠性，难以适应复杂多变实际工况。直接测量方法依赖精密仪器获取阻抗、容量等参数，虽计算高效但成本高且不适用于在线实时估计。近年来，数据驱动方法迅速发展，通过建立可测量健康因子与SOH之间的数学映射，避免了复杂电化学机理建模，展现出精度和泛化优势。然而，现有深度学习方法存在以下问题：单向循环结构（如GRU/LSTM）仅利用前向时间信息，忽略早期退化模式对后续趋势推断的判别性信息；超参数确定依赖手动试错或网格搜索，效率低且难以保证全局最优；在局部特征提取、长时序依赖建模与噪声抑制之间难以平衡。
**研究内容与结论**
为解决上述问题，研究人员提出了一种基于混合神经网络与RIME优化算法的锂离子电池SOH估计框架。该框架从增量容量（IC）曲线中提取13个健康指标（HI），利用斯皮尔曼秩相关系数筛选最优特征子集；构建CNN-BiGRU混合架构，CNN提取局部退化特征，BiGRU通过前向和后向隐藏层捕获双向上下文依赖；引入RIME优化算法自动全局优化模型超参数。在公开NASA数据集（B5、B6、B7电池）和CALCE数据集（CS2-35、CS2-36、CS2-37电池）上进行消融与对比实验。结果表明，在80%和60%训练集比例下，所提RIME-CNN-BiGRU模型在MAE、MAPE和RMSE指标上均显著优于CNN、CNN-BiGRU（无优化）、SABO-CNN-BiGRU、PSO-CNN-BiGRU、LSTM-Transformer、TCN-GRU等对比方法，验证了其在估计精度、鲁棒性和小样本泛化能力方面的综合优势。论文发表在《Mathematics》。
**关键技术方法**
研究人员采用了以下主要关键技术方法：（1）增量容量（IC）分析：从恒流充电阶段的电压-容量曲线计算dQ/dV，提取13个健康指标（HI），涵盖局部形态、峰值特征和全局统计属性。（2）斯皮尔曼秩相关系数：用于定量分析HI与容量之间的非线性单调相关性，筛选最优特征子集。（3）CNN-BiGRU混合架构：CNN通过卷积和池化层提取局部空间特征；BiGRU通过双向门控循环单元捕获前后向时间依赖关系，实现端到端SOH估计。（4）RIME优化算法：一种物理启发式元启发算法，采用软霜搜索（软RIME）和硬霜穿刺（硬RIME）双阶段策略，自动优化CNN-BiGRU的核心超参数（如卷积核大小、BiGRU隐藏单元数、学习率），以预测误差为适应度函数驱动搜索。样本来源：公开NASA电池老化数据集（B5、B6、B7）和CALCE数据集（CS2-35、CS2-36、CS2-37）。
**研究结果**
**4.1 消融实验**
通过对比未优化CNN-BiGRU（手动超参数）与RIME优化CNN-BiGRU在80%和60%训练集比例下的性能，验证了RIME优化的贡献。以B5电池80%训练为例，RIME优化使MAE从2.31%降至1.56%（降低32.5%），MAPE从1.79%降至1.12%（降低37.4%），RMSE从2.54%降至1.68%（降低33.9%）。在60%训练集下，B6电池上RIME优化使RMSE从6.96%降至3.76%（相对改善46.0%）。消融实验表明，CNN-BiGRU结构相比纯CNN显著增强了时序建模能力，而RIME优化进一步提升了预测精度，且在小样本条件下仍保持稳定。
**4.2 不同模型SOH预测结果对比**
与五种基准模型（SABO-CNN-BiGRU、PSO-CNN-BiGRU、LSTM-Transformer、TCN-GRU、LSSVM）在NASA电池上对比。80%训练集下，B5电池上RIME-CNN-BiGRU获得最低误差（MAE=1.56%, MAPE=1.12%, RMSE=1.68%），优于次优SABO-CNN-BiGRU（1.83%, 1.35%, 2.13%）；B6和B7上同样保持最小误差。60%训练集下，所提模型在B5上RMSE=3.39%，显著低于TCN-GRU的9.12%和LSTM-Transformer的6.93%。在CALCE CS2-35电池上（70%训练），RIME-CNN-BiGRU的RMSE为3.08%，优于SABO-CNN-BiGRU（3.44%）、PSO-CNN-BiGRU（3.82%）和LSTM-Transformer（4.35%），验证了跨数据集泛化能力。
**4.3 与现有方法SOH预测对比**
与PI-Transformer、CNN-Transformer-LSTM、CNN-Transformer等经典方法对比，在NASA B5数据集上，所提模型RMSE为1.68%，表现优于或接近这些方法，但需注意不同数据集和实验设置下的直接数值比较应谨慎。
**讨论与结论**
研究结论部分指出：本文提出了一种集成增量容量分析、CNN-BiGRU混合架构和RIME超参数优化的混合深度学习框架，用于锂离子电池SOH的准确鲁棒估计。主要发现包括：从IC曲线系统提取的13个健康指标经斯皮尔曼秩相关分析确认与容量退化强相关，提供了可靠的特征基础；CNN-BiGRU架构有效结合了CNN局部特征提取与BiGRU双向时序依赖捕捉能力，从时空维度全面表征退化动态；RIME算法实现了自动超参数调优，克服了手动试错局限，保持全局探索与局部开发的平衡，显著提升调优效率和预测稳定性。在NASA数据集上不同训练比例下的广泛实验表明，所提RIME-CNN-BiGRU模型在MAE、MAPE和RMSE指标上优于SABO-CNN-BiGRU、LSTM-Transformer、TCN-GRU和LSSVM等先进方法，验证了模型的有效性和准确性。该模型在实际应用中具有良好部署前景，在线推理仅需固定长度历史窗口的单向前向传播，计算成本适合嵌入式平台。不足之处包括：健康指标提取依赖完整恒流充电段，难以适应快充或变流条件；模型对不同电池化学体系的泛化性需进一步验证；RIME算法优化阶段的计算开销在大规模搜索中仍不可忽视。未来工作将聚焦于开发适用于碎片化随机充电场景的自适应特征提取策略、融入更全面的电化学机理知识以增强物理可解释性和外推能力，以及通过剪枝和量化实现模型轻量化以满足边缘部署需求。
