基于Inception-V4与改进爬山优化算法的锂离子电池电化学阻抗谱健康状态估计方法

《Scientific Reports》：Lithium-ion battery state-of-health prediction using Inception-V4 network optimized by Modified Hiking Optimization Algorithm

　　

摘要

电化学阻抗谱（EIS）是一种测量锂离子电池健康状态（SoH）的非侵入性方法，但由于其在不同频率下响应复杂，难以获得强的退化测量数据。本文提出了一种将Inception-V4深度学习架构与改进爬山优化算法（MHOA）相结合的新方法，仅使用原始阻抗谱即可实现精确的SoH估算。与依赖等效电路建模或复杂多维特征提取的传统方法不同，所提出的端到端模型直接利用完整的电化学阻抗谱。该端到端网络使用一个公开的在线EIS数据集进行训练和测试。EIS谱的测量涵盖14,752次实验，电池在受控实验室环境（25°C和45°C）下运行，包含6个荷电状态，健康状态从100%循环至80%，频率范围为0.05 Hz至1000 Hz，共14个对数间隔频率点。第一次验证采用按时间分离的测试集，即对同一电池后期的循环数据进行测试以检验时间泛化能力，此时测试均方根误差（RMSE）为1.15%。针对全新的电池（未用于训练或验证），进行跨电池泛化测试，结果RMSE为0.148%。双分支网络的输出包括类似电路的参数估计，经验证与相应等效电路表征中的参数接近。所有呈现的结果均来自基于时间分离数据的离线模拟，不涉及实时嵌入式电池管理系统（BMS）性能的声明。使用在不同温度条件和老化阶段下采集的14,752个EIS测量数据集，该方法实现了约1.15%的总体测试RMSE。此外，该方法还表现出对训练数据中未出现退化条件的强大泛化能力。双分支网络能够同时提供准确的SoH预测和以等效电路形式呈现的可解释参数，从而可应用于电池管理系统。所提出的框架在评估的EIS数据集上表现出稳定且可靠的性能。