红毛猩猩优化引导的深度信念网络用于锂离子电池剩余使用寿命预测：特征选择与充电调节

《Computers and Electrical Engineering》：Orangutan optimization-guided deep belief networks for RUL prediction in lithium-ion batteries: Feature selection and charging regulation

　　

摘要 剩余使用寿命（RUL）的预测对于提高电动两轮车所用锂离子电池的可靠性、安全性和经济性运行至关重要。然而，传统的机器学习方法往往存在特征冗余、对变化充电条件适应性有限以及在建模复杂电池退化行为时可解释性降低等问题。为解决这些局限性，本文提出了一种猩猩优化引导的深度置信网络（ObDBN）框架，该框架将猩猩优化算法（OOA）与深度置信网络（DBN）相结合，用于敏感特征选择和谐 RUL 预测。OOA 模块识别信息丰富的电池健康指标，同时提高模型泛化能力并降低计算复杂度。预测的 RUL 值进一步用于支持自适应充电调节策略，根据电池健康状况调整充电速率。为了提高模型透明度和可靠性，框架中纳入了 SHAP（SHapley Additive exPlanations）分析和基于自举法的不确定性量化。实验评估使用了夏威夷自然能源研究所镍锰钴 - 钴酸锂电池退化数据集（HNEI NMC-LCO）、美国国家航空航天局锂离子电池老化数据集（NASA）以及先进生命周期工程中心（CALCE）的数据。所提出的 ObDBN 在 HNEI NMC-LCO 数据集上取得了优异的预测性能，R2值为 0.995，RMSE 值为 0.0387，同时在独立数据集上保持了一致的准确性。结果表明，所提出的框架为未来电动交通应用中的电池健康预测和健康感知充电管理提供了一种有效且可解释的解决方案。

引言 电动两轮车正在迅速改变城市交通，为传统内燃机车辆提供了一种更清洁、更安静、更节能的替代方案。随着印度等国家目标在 2030 年实现 80% 的两轮车电气化，确保电池效率、可靠性和安全性已成为成功采用的关键 [1]。在各种储能技术中，锂离子电池（LIBs）因其高能量密度、长循环寿命和紧凑设计而成为主导选择 [2]。然而，容量退化、寿命有限和热不稳定性等挑战继续阻碍其在成本敏感市场的大规模部署 [[3], [4], [5]]。

电动两轮车的电池性能关键取决于能量密度、热稳定性、充电行为、退化速率和回收效率等因素 [6,7]。尽管具有优越特性，LIBs 仍受渐进老化机制的影响——如固体电解质界面（SEI）生长、锂镀层和电极材料膨胀——这些机制逐渐降低其容量和效率 [8,9]。这些问题因城市通勤典型的快速充电或高温运行条件而加剧 [10]。因此，准确估算 LIBs 的 RUL 已成为提高电池安全性、优化维护计划和降低生命周期成本的必要条件 [11,12]。传统的基于阈值或经验模型往往无法满足要求，因为它们依赖于在现实条件下难以测量的复杂电化学参数 [13]。数据驱动方法——如随机森林、SVMs、LSTMs 和 CNN-GRUs——在预测退化趋势方面显示出前景 [[14], [15], [16]]。然而，这些模型通常存在过拟合、可解释性差或对变化充电制度适应性有限的问题。此外，它们往往忽视将 RUL 预测整合到充电策略优化中，这对于电池可持续和安全运行至关重要 [17]。

大多数最先进的元启发式辅助 RUL 预测模型使用 PSO、GA、WOA 或 ACO 等优化算法来调整网络参数或选择特征。然而，这些受自然启发的优化算法存在缺点，例如处理高维电池退化数据集，因为还有其他不足，PSO 容易丧失种群多样性；GA 在探索有希望的空间时包含破坏性的交叉 - 变异操作；WOA 受开采主导搜索过程的困扰，这往往导致长周期老化分析的快速早熟 [[18], [19], [20]]。相比之下，OOA 引入了一种历史感知探索 - 开发机制，其中候选更新不仅取决于当前全局最优，还取决于之前迭代中的成功移动。这种记忆驱动适应可以帮助保持种群多样性，同时允许稳定收敛。因此，OOA 更适合于非平稳和非线性电池退化过程，其特征相关性是演变的。

所提出的 ObDBN 框架将这种生物启发优化与多层深度置信网络相结合，用于准确的 RUL 预测和自适应充电调节。除了预测准确性外，模型采用 Shapley 加性解释（SHAP）进行可解释性，并采用基于自举法的不不确定性量化，以确保在不确定运行条件下的可靠性。使用基准 NMC-LCO 数据集的经验评估展示了卓越的预测性能，实现了 0.995 的 R2和 0.0387 的 RMSE，优于 XGBoost、CNN-GRU 和 SVM 等最先进的模型 [[21], [22], [23]]——与领先模型 Optimization 算法进行全面基准测试，以验证可扩展性、通用性和实时适用性。通过将生物启发智能与深度学习相结合，ObDBN 框架为预测性维护、成本降低和可持续电池利用提供了一种可扩展、可解释的解决方案，为绿色、可靠和智能电动交通的愿景做出了重大贡献。

Rajaeifar 等人 [23] 从可持续性角度检查了电动汽车（EV）电池价值链内的挑战。他们的工作探索了新的回收技术、二次生命可持续性评估以及使用物质流分析（MFA）、生命周期评估（LCA）和复杂网络建模的材料分配网络动态模型。虽然他们强调了 EV 采用和 LIB 市场扩张的显著增长，但持续的挑战仍然存在——即高昂的制造成本、供应链脆弱性和低效的报废管理。Astaneh 等人 [24] 提出了一种多物理场仿真框架，用于优化 EV 中 LIBs 的设计。他们的伪二维（P2D）热电模型集成了遗传算法、多目标优化以及使用 GT-Auto Lion 和 GT-SUITE 仿真的校准技术。优化设计实现了峰值温度降低 8%，增强了热稳定性。然而，该研究未考虑电池组内的电芯级变化，这可能限制了现实世界的可扩展性。

Wang 等人 [25] 开发了一种分析工具，用于评估下一代 LIBs 的环境可持续性，包含了六个模块：材料消耗、排放（水相/气相）、纳米颗粒释放、能源消耗和生命周期影响。他们对硅纳米线（SiNW）和硅纳米管（SiNT）技术的分析显示了更高的理论容量，但引起了关于原材料采购和纳米材料废弃物的环境担忧。Yal??n 等人 [26] 引入了一种 CNN-人工蜂群（ABC）混合模型，用于优化磷酸锂（LFP）电池中的电压分布和热量生成。该模型实现了 99.72% 的 R2和 1.38% 的 RMSE，显示出强大的预测能力。然而，CNN-ABC 框架中的数据归一化要求增加了计算复杂度，可能阻碍实时实施。

Chidambaram 等人 [27] 采用了故障模式、机制和影响分析（FMMEA）结合有限元建模（FEM），为电动两轮车（ETWs）设计了一个鲁棒的电池外壳。他们的发现确定 AL6061 铝合金是最合适的材料，建议金属外壳的最小间距为 2.5 毫米，特氟龙（Tephon）绝缘层为 10 毫米。尽管如此，该方法在动态稳定性和结构适应性方面面临局限性，这在变化运行条件下至关重要。Gurusamy 等人 [28] 使用多标准决策（MCDM）技术根据能量效率、范围、CO?排放和总拥有成本等参数对领先的 ETW 模型进行了排名。从八个型号的原始设备制造商（OEM）和经销商收集的数据显示 M7 E2W 是表现最佳的车款。然而，电力成本的地区差异可能影响基于成本的排名的一致性。

Das [29] 通过 LCA 分析比较了三种储能系统——阀控铅酸（VRLA）、磷酸铁锂（LFP-G）和多硫化物 - 溴（PSB）液流电池。PV-VRLA 和 PV-LFP-G 系统显示出 4.3 和 4.56 年的能源回收期（EPBT）。相比之下，PSB 系统由于材料强度和能源使用表现出更高的环境影响。太阳能输入的 seasonal variations 进一步影响了系统可持续性。Ren 等人 [30] 提出了一种深度强化学习 - 预测等效策略（DRL-PES），用于电池能量管理。该框架优化了能源使用，同时延长了电池寿命，将 Ah 通量减少了 3.1%。虽然该方法成功平衡了耐用性和功率效率，但需要高质量数据集进行实际训练，限制了其工业可扩展性。

最近进行的研究旨在通过使用复杂的混合和优化技术来改进电池状态的估计和退化的预测。Wang 等人 [31] 提出了一种改进的贝叶斯优化 - 双向长短期记忆（BO-BiLSTM）框架，并由无迹卡尔曼滤波增强，用于提高荷电状态（SOC）估计的准确性，同时显著降低错误率。然而，Wang 等人 [32] 引入了一种抗噪适应 LSTM（ANA-LSTM）策略，通过最优调整多个参数提供更好的 RUL 预测。此外，Wang S 等人 [33] 提出了各种基于多特征电化学热（ECT）耦合的模型，以捕捉温度、电流和电池动态之间的相互作用。该技术结合了物理建模和数据驱动技术，应用实时参数以提高低温和变化条件下的准确性。

最近出版物（2022–2025）中具有 RUL 预测和电池管理定量性能指标的内容被选择用于表 1 的比较摘要。表 2 提供了最近优化的深度学习技术及其方法差异的回顾。虽然这些研究工作显示了在预测准确性方面的进展，但显然有必要拥有更复杂的模型来解决与实际情况相关的问题。

电池 RUL 估计的新发展纳入了先进的 DL 技术，包括 Transformers、注意力机制和物理感知神经网络模型。Transformers 的使用显示出在学习电池退化过程中的长程依赖关系方面的巨大潜力，而物理感知模型将电化学见解纳入估计过程。此外，已将结合元启发式优化技术和 DL 的混合建模方法论纳入考虑。虽然该领域取得了巨大进展，但大多数先前的研究要么应用固定特征提取方法，要么应用松散耦合优化方法。此外，没有关于将 RUL 估计纳入自适应电池充电策略及相关不确定性管理的研究。为了克服上述弱点，引入了 ObDBN 框架的概念作为 RUL 估计和自适应电池充电过程管理的解决方案。首先，通过应用 OOA 方法，可以从高维数据集中自动提取电池退化特征。然后，利用优化特征集，可以有效训练深度置信网络模型以学习非线性退化模式并预测电池剩余使用寿命。最后，根据预测结果，可以执行自适应充电调节以避免不必要的退化。

尽管几项研究已将元启发式优化算法与深度学习架构相结合用于电池剩余使用寿命（RUL）预测，但提出的猩猩优化引导深度置信网络（ObDBN）在几个重要方面不同于现有的混合方法。现有的方法如 GWO-DELM、GSA-LSTM 和基于 HHO 的预测框架主要利用优化算法来调整网络超参数或在模型构建后提高预测准确性。相比之下，所提出的框架引入了一种耦合优化驱动特征学习策略，其中猩猩优化算法（OOA）在模型训练前的特征选择阶段与深度置信网络主动交互。主要创新在于 OOA 引入的自适应特征相关性评估机制。与其依赖传统的基于包装的特征选择方法（仅使用预测准确性评估候选特征子集），所提出的 OOA 同时优化多个目标，包括特征相关性、特征冗余最小化、预测稳定性和计算复杂度。这使得能够生成紧凑且信息丰富的特征子集，在变化充电条件下保持电池退化特征。此外，与将特征选择和模型训练视为两个独立顺序过程的现有混合模型不同，所提出的 ObDBN 建立了 OOA 和 DBN 学习阶段之间的迭代交互。由 DBN 生成的预测反馈用于引导猩猩优化算法的搜索行为，从而允许在整个优化过程中动态细化所选特征子集。这种反馈引导优化机制提高了模型捕捉非线性电化学退化模式的能力，这些模式通常被传统的静态特征选择技术所忽视。

所提出工作的另一项显著贡献是将 RUL 预测与电动两轮车的充电调节相结合。现有的电池 prognostics 研究主要集中在预测准确性上，而未考虑预测后的运营决策制定。所提出的框架使用预测的 RUL 值来自适应调节充电速率，从而减少应力诱导退化并延长电池使用寿命。

这将所提出的方法从纯粹的预测模型转变为一种具备预测功能的电池管理框架。此外，通过基于 SHAP 的可解释性分析和基于 bootstrap 的置信区间估计，融入了模型的可解释性和统计可靠性。这些组件提供了对特征贡献和预测不确定性的见解，这在现有的优化辅助剩余使用寿命 (RUL) 预测模型中通常是缺乏的。因此，所提出的 ObDBN 框架不仅贡献了一个优化辅助的预测模型，还提供了一个可解释且可操作部署的电池健康管理解决方案。所提出的 ObDBN 框架结合了成熟的技术和几种针对锂离子电池剩余使用寿命 (RUL) 预测的任务特定方法创新。各个组件，即红毛猩猩优化算法 (OOA)、深度信念网络 (DBN)、SHapley 加性解释 (SHAP) 和基于 bootstrap 的不不确定性分析，均以其原始形式采用自现有文献，并未声称是新颖算法。本工作的方法新颖性在于它们在电池预测框架内的统一集成。具体来说，OOA 被用作一种感知退化的特征选择机制，在模型训练前识别最有信息量的电池健康指标，从而减少特征冗余并提高在异质退化条件下的预测鲁棒性。随后，DBN 利用所选特征学习非线性退化特性，以准确估计 RUL。与预测后即终止的传统方法不同，估计的 RUL 被进一步纳入一种感知健康的自适应充电调节策略中，根据预测的电池状态动态调整充电率，在电池预测和运营决策之间建立了直接联系。此外，集成 SHAP 分析以提供特征级可解释性，而基于 bootstrap 的不确定性估计量化了预测置信度，提高了所提出框架在实际电池管理系统 (BMS) 应用中的可靠性和透明度。因此，本研究的主要贡献不是发明新的单个算法，而是开发了一个集成、可解释且感知不确定性的预测框架，该框架在单一统一架构内共同执行优化特征选择、准确 RUL 预测、可解释的决策支持和感知健康的充电调节。

尽管在使用数据驱动方法预测 RUL 方面已有进展，但仍存在一些关键不足：
•现有的基于 DBN 的模型依赖于预定的输入，因此容易受到电池数据高维性和噪声的影响，尤其是当条件发生变化时。
•通过优化技术（PSO、GA、WOA）增强的模型孤立地考虑特征选择和建模，从而无法捕捉快速充电和变化温度期间发生的退化速率的任何变化。
•RUL 预测模型不与电池控制策略协同工作。
•它们没有考虑不确定性和可解释性。

本工作的贡献超出了将优化算法直接应用于电池预测深度学习模型的范畴。所提出的红毛猩猩优化引导深度信念网络 (ObDBN) 引入了一种集成框架，在统一架构内结合了特征优化、退化预测、可解释性、不确定性量化和运营充电管理。主要的方法论贡献是引入了一种反馈辅助优化机制，其中红毛猩猩优化算法 (OOA) 搜索能最大化预测准确性的特征子集，同时最小化特征冗余和模型复杂性。与执行一次性超参数调整过程的传统混合优化方法不同，所提出的框架在优化和表示学习阶段之间建立了持续交互，从而实现退化敏感特征的自适应细化。第二项贡献是通过 SHAP 分析纳入可解释的预测，提供关于电压、电流、温度、内阻和容量相关指标对 RUL 估计影响的可解释信息。这提高了模型透明度，并解决了电池管理应用中黑箱深度学习方法的主要限制之一。第三项贡献是集成使用 bootstrap 置信区间的不不确定性量化。大多数现有的电池 RUL 预测研究仅报告点估计，而不评估预测可靠性。所提出的框架同时提供 RUL 估计和相关的置信边界，从而支持感知风险的维护调度和运营规划。第四项贡献是电池预测与自适应充电调节的耦合。所提出的框架不是将预测和控制视为独立任务，而是利用预测的电池健康信息来影响充电决策，并减少晚期操作期间的退化加速。因此，本工作的新颖性不仅仅来源于用一个优化算法替换另一个优化算法。相反，贡献在于建立一个端到端的具备预测功能的电池管理框架，在单一计算管道内集成优化、预测、可解释性、不确定性估计和充电适应。

章节摘录
挑战与问题描述
电动两轮车的快速采用在电池生命周期管理、性能优化和可持续性方面带来了新的挑战。由于锂离子电池 (LIBs) 是这些车辆的主要能量存储源，确保其寿命、可靠性和安全性变得日益重要。尽管电池化学和控制系统取得了进步，但由于非线性退化模式和变化的操作条件，在预测 RUL 时保持准确性并不容易。
所提方法论
开发的 ObDBN 方法将分步执行，以确保其清晰且可复制。首先，电池数据集中的数据进行归一化和噪声过滤。其次，利用红毛猩猩优化算法进行特征选择。所选特征将用于输入深度信念网络，从而 DBN 可以预测电池的 RUL。基于预测的 RUL 和相关不确定性的最终自适应充电技术。
结果与讨论
ObDBN 在配备 8 GB 内存的 Intel Core i5–3470 CPU @ 3.20 GHz 上以 MATLAB 实现。所提出的框架采用先进的优化技术和深度学习方法来准确估计电池 RUL。除了展示跨数据集的高预测准确性外，模型的可解释性和可靠性还通过基于 SHAP 的可解释性和不确定性量化得到进一步验证，这对于可信部署至关重要。我们将数据读入 MATLAB。
结论
在本研究中，提出了一种新的 ObDBN 模型用于准确预测电池的 RUL。我们方法的关键区别在于动态特征选择与深度学习的结合。特别是，OOA 和 DBN 被结合用于动态选择输入特征用于训练目的。这种方法不同于之前的研究，之前研究使用固定输入特征，且优化和学习未集成。该方法的有效性得到了非常充分的证明。
作者贡献
Hemanthasai Madugula, Sujit Singh 和 Venkata Reddy - 对本工作做出了同等贡献。
伦理批准
不适用。
出版同意
不适用。
资金资助
无
利益冲突
不适用。
Hemanthasai Madugula|Sujit Singh|Venkata Reddy Muppani
印度海得拉巴 Woxsen 大学商学院