一种基于模型优化的电动汽车电池健康状态估算新方法

《Journal of Energy Storage》：A novel state-of-health estimation method for electric vehicle batteries based on model optimization

　　

摘要
准确估计锂离子电池的健康状态（SOH）对于保障电动汽车的安全运行至关重要。然而，现有的SOH估计方法在模型泛化性、估计精度和数据隐私方面存在不足。为了克服这些挑战，本文提出了一种基于模型优化的新型SOH估计方法。首先，从多个角度设计特征评估函数，选择能够更有效地描述电池老化机制的健康指标。其次，设计了一种改进的麻雀搜索算法（ISSA），该算法集成了反对学习策略、蝴蝶优化算法的位置更新机制和柯西-高斯变异策略。利用所提出的ISSA优化神经网络的关键超参数，并利用优化后的网络进行电池SOH估计。最后，将提出的模型部署在联邦学习（FL）框架内，实现全局知识共享的同时保护数据隐私。利用NASA和CALCE电池老化数据集在不同工况下对所提方法进行了验证。实验结果表明，所提出的模型在SOH估计方面表现良好，平均绝对误差低于0.8%，均方根误差低于1.1%。此外，通过引入联邦学习技术，该方法在保障估计性能的同时，保护了用户充电行为的数据隐私。

引言
锂离子电池（LIBs）凭借其低自放电率[1]、无记忆效应[2]和高能量密度[3]，已成为应用最广泛的储能技术之一。随着全球对环境可持续性的日益关注，电动汽车（EV）市场迅速扩张，导致对锂离子电池的需求不断增长。然而，锂离子电池的长期运行可能导致性能退化、运行故障，甚至安全事故[4]。因此，准确监测锂离子电池的健康状态（SOH）至关重要。

现有的锂离子电池SOH估计方法大致可分为直接测量法、模型法和数据驱动法[5]。其中，数据驱动方法无需考虑锂离子电池的内部退化机制或其复杂的化学反应过程，而是利用外部输入特征结合智能算法来估计电池SOH[6]，具有高灵活性和鲁棒性。随着新能源汽车大数据平台的建立和计算能力的持续提升，数据驱动的SOH估计方法展现了巨大的发展潜力。然而，在实际应用中仍存在若干挑战，主要集中在两个方面：模型性能优化和数据隐私保护。

首先，在模型性能方面，估计精度很大程度上受输入特征以及模型及其参数的影响[7]。在特征选择方面，主要目标是识别对电池SOH估计具有显著影响的关键特征，同时消除冗余和无关信息，从而提高模型的泛化能力和估计精度。现有研究大多依赖单一指标来评估所提取的特征，未能充分考虑不同特征对SOH的多角度影响。这种不足使得难以全面反映特征的重要性，从而限制了特征表示的有效性，制约了模型的估计精度。除了特征选择之外，估计模型的性能还很大程度上取决于模型类型的选择及其超参数的合理配置。常用的SOH估计模型包括高斯过程回归（GPR）[8]、支持向量回归（SVR）[9]和神经网络[10]，这些模型通常涉及多个关键超参数。传统的手动参数调整不仅复杂且效率低下，还限制了模型达到最优性能的能力[11]。为了克服这一挑战，研究者引入了包括灰狼优化（GWO）算法、鲸鱼优化算法（WOA）和粒子群优化（PSO）等智能优化算法，以实现超参数的自动搜索。这些算法能够高效探索庞大的参数空间以找到最优超参数组合，从而提高模型的估计精度。然而，尽管具有这些优势，它们在收敛速度和全局搜索能力方面仍存在局限性，这限制了其在实际应用中的进一步性能提升潜力。

其次，数据隐私保护与信息分享需求之间存在冲突。现有研究大多依赖单一电动汽车的电池数据，这使得预测模型难以全面捕捉多样化使用场景下的电池退化模式，从而限制了其泛化能力[12]。尽管传统的集中式架构理论上可以通过将多源电池数据整合到中央服务器进行统一分析来解决这一问题，但它不可避免地带来了数据隐私泄露的风险，引发了用户对数据共享的担忧[13]。这主要是因为电池数据通常包含高度敏感的信息，如用户的驾驶行为和充电习惯。最近，联邦学习（FL）作为一种分布式机器学习框架，由于其能够在确保数据隐私的同时促进多参与者之间的协作训练，逐渐成为重要的研究课题[14]。其概念与电池SOH估计中数据共享与隐私保护的双重需求高度一致。因此，联邦学习在该领域具有独特优势，为克服传统集中式方法所面临的局限性提供了新的研究方向。

基于以上分析，本文提出了一种具有隐私保护能力的电动汽车电池SOH数据驱动估计方法。首先，从多个角度对所提取的健康指标（HIs）进行评估，并选择综合评估得分较高的指标作为模型输入。其次，为了解决标准麻雀搜索算法（SSA）在优化方面的局限性，从三个方面对其进行了增强：种群初始化、生产者的位置更新机制以及个体最优位置的调整，从而开发了改进的SSA（ISSA）。随后，利用ISSA优化神经网络的超参数，从而增强电池SOH估计的精度。最后，将联邦学习作为数据聚合技术引入电池SOH估计任务中，以克服传统集中式方法在隐私和数据安全方面的局限性，从而实现模型性能提升与数据隐私保护的双重目标。本文的主要贡献如下：

• 提出了一种新的健康指标选择机制，通过考虑健康指标的多种特性，包括内在相关性和抗干扰能力。该机制建立了多维综合评估函数，对从充/放电曲线中提取的各种健康指标进行定量评估，并选择得分较高的指标作为模型输入。该机制能够有效选择具有强估计能力的健康指标，同时降低计算复杂度。

• 引入了一种基于ISSA的超参数优化方法，以解决手动超参数选择的复杂性和低效性。利用反对学习（OBL）进行初始种群生成，增强解空间的搜索能力。通过结合蝴蝶优化算法（BOA）改进生产者的位置更新机制，增强算法的全局探索能力。此外，采用柯西-高斯变异策略扰动个体位置，帮助算法逃离局部最优。结果表明，ISSA优化的神经网络模型在SOH估计任务中实现了更高的预测精度。

• 提出了一种基于联邦学习的SOH估计方法。其均方根误差（RMSE）和平均绝对误差（MAE）均保持在0.50%以下。在确保估计精度的同时，联邦学习框架有效缓解了共享原始数据可能带来的隐私泄露风险。

本文的组织结构如下。第2节对相关研究进行了综述。第3节介绍了电池数据集及其健康指标选择机制。第4节详细介绍了所设计的改进麻雀搜索算法-卷积神经网络-双向长短期记忆（ISSA-CNN-BiLSTM）模型。第5节提出了一种基于联邦学习的SOH估计方法。第6节展示了实验结果并进行了讨论，第7节总结了全文。

章节片段

文献综述
本节首先对数据驱动的SOH估计方法进行了综述，然后讨论了与联邦学习相关的最新研究。

健康指标提取与选择
锂离子电池SOH估计模型的性能在很大程度上取决于健康指标的质量。高质量的健康指标能够精确表征电池老化趋势，从而为模型提供有效的输入信息，提高估计精度和稳定性。反之，如果提取的健康指标与电池老化的相关性较弱，模型捕获特征的能力将受到限制，导致估计偏差和预测可靠性降低。因此，优秀的提取与

开发的SOH估计模型
在提取健康指标后，本研究采用数据驱动方法来建模其与SOH之间的关系，以实现准确的SOH估计。为此，设计了一种融合CNN、BiLSTM和ISSA的混合SOH估计模型，该模型结合了它们的优势，以增强特征提取能力和SOH估计性能。具体而言，CNN有效捕获输入健康指标的空间特征；BiLSTM利用其双向结构来建模

基于联邦学习的SOH估计方法
电动汽车电池数据通常包含大量与用户行为和使用习惯相关的敏感信息。此类信息具有高度机密性。在实际应用中，此类数据通常难以公开共享，从而限制了传统集中式计算方法在多源数据场景中的应用。为解决上述挑战，提出了一种基于联邦学习的分布式SOH估计方法。在该框架中，模型训练在每个本地节点独立进行

误差评估指标
为评估所提方法的有效性，采用三个性能指标——均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）进行综合分析。这些指标的详细公式见公式(14)、(15)、(16)。

RMSE = √(1/N * Σ(i=1 to N)(?OH_i - SOH_i)2)

MAE = (1/N) * Σ(i=1 to N)|?OH_i - SOH_i|

MAPE = (1/N) * Σ(i=1 to N)|?OH_i - SOH_i|/SOH_i

其中，N表示样本数量。?OH_i表示估计的SOH值。SOH_i表示实际SOH值。一般而言，上述三个指标的值越低

结论
现有的锂离子电池SOH估计方法普遍存在若干局限性，包括健康指标使用单一评估机制、模型估计精度不足以及集中式框架中大量数据交换带来的隐私风险。针对这些问题，本文提出了一种新型SOH估计方法。首先，从原理和统计两个角度对健康指标进行全面评估，并选择排名前四的健康指标作为模型输入。其次，对

CRediT作者贡献声明
Yi Hu：审稿与编辑、初稿撰写、软件、方法学、概念化。Zhigang Jin：监督、项目管理、资金获取。Xiaodong Wu：初稿撰写、验证。Yu Ding：初稿撰写、可视化、调查。

利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知竞争性财务利益或个人关系。

致谢
本研究得到中国国家自然科学基金（编号51677124）和中国天津市自然科学基金（编号19JCYBJC15700）的资助。

Yi Hu | Zhigang Jin | Xiaodong Wu | Yu Ding
天津大学电气与自动化工程学院，天津，300072，中国