基于物理模型与数据挖掘技术的锂离子电池健康状态预测方法

《Results in Engineering》：Prediction of Lithium-ion Battery State of Health Based on Physical Models and Data Mining Techniques

　　

针对混合健康状态（State of Health, SOH）估计模型中物理参数利用不足的关键局限性，研究人员提出了一种加权健康因子集成框架，有别于先前工作中简单的特征拼接。研究人员引入自适应移动平均滤波器（Adaptive Moving Average Filter, AMAF）对物理参数进行去噪，该滤波器能够动态适应电池老化阶段，克服了传统方法中固定窗口滤波器的刚性。研究人员利用多目标量子粒子群优化（Multi-Objective Quantum Particle Swarm Optimization, MOQPSO）增强BP神经网络，平衡预测精度与稳定性，优于单目标优化模型。研究人员提供了一种可解释且精确的SOH预测集成解决方案，直接支持可再生能源储能系统的可靠性。

电动汽车和电网储能系统的安全运行依赖于对锂离子电池健康状态（State of Health, SOH）的准确估计。全球能源消耗上升、可再生能源并网比例增加，但电源出力与负荷需求往往不匹配，储能系统因此成为电网稳定性的关键环节。锂离子电池凭借高比能量和长循环寿命而被广泛采用，但其反复充放电会导致内阻增加、容量衰减和热耗散加剧，SOH是电池管理系统（Battery Management System, BMS）中衡量系统安全与可靠性的核心指标。现有SOH估计方法主要分为三类：基于模型的方法（如电化学模型、等效电路模型（Equivalent Circuit Model, ECM））、数据驱动方法（如支持向量回归、深度学习）以及两者融合的混合方法。建模方法中，电化学模型计算复杂、仿真耗时；ECM虽简化了电池动力学，但许多研究仅提取欧姆内阻而忽略极化电阻和电容等强老化敏感参数；数据驱动方法缺乏物理可解释性且泛化性受限；混合方法则普遍存在物理参数利用不充分、固定窗口滤波无法适应老化阶段、单目标优化难以兼顾精度与稳定性等问题。为此，研究人员提出了ECM-AMAF-MOQPSO-BPNN集成框架，将物理先验、自适应去噪和优化特征融合相结合，以实现高精度、强鲁棒的SOH预测。

研究人员使用来自牛津大学（8节商用锂离子电池，cell1至cell8，40°C）、美国国家航空航天局（NASA，B0005-B0007，18650型号，24°C）和马里兰大学CALCE中心（CS2_35-CS2_37）的公开老化数据集进行验证。他们的核心思路是：先建立一阶Thevenin等效电路模型，利用粒子群优化（Particle Swarm Optimization, PSO）在线辨识欧姆内阻R₀、极化电阻R_p和极化电容C_p；然后设计自适应移动平均滤波器（Adaptive Moving Average Filter, AMAF），根据局部方差动态调整窗口长度，滤除参数识别中的噪声；接着使用多目标量子粒子群优化（Multi-Objective Quantum Particle Swarm Optimization, MOQPSO）搜索R₀、R_p、C_p的最优线性组合，构建与SOH相关度更高的复合健康因子HF1，同时用MOQPSO优化BP神经网络的初始权重和阈值；最终以HF1、电压均衡阶段升降时间HF2、恒流充放电时间HF3作为输入，通过反向传播神经网络（Backpropagation Neural Network, BPNN）输出SOH估计值。评价指标采用均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）。

在结果部分，研究人员首先根据RMSE和MAE确定了模型评价基础。随后通过三组对照实验验证HF1的有效性：仅使用HF2和HF3、直接使用R₀/R_p/C_p与HF2/HF3、以及使用重构的HF1与HF2/HF3。在牛津数据集上采用留一电池交叉验证，结果表明ECM-MOQPSO-BPNN（含HF1）在多数电池上取得最低误差，如cell1的RMSE为0.0013，cell3为0.0010，显著优于仅用原始物理参数或仅用宏观特征的模型。为验证AMAF的作用，研究者在NASA数据集上比较了含与不含AMAF的完整框架，采用前70%数据训练、后30%数据测试，结果显示加入AMAF后所有电池的RMSE均下降，平均RMSE从0.0144降至0.0029，其中B0006最优（RMSE=0.0023，MAE=0.0016）；在CALCE CS2_36上注入高斯白噪声后，含AMAF模型仍保持RMSE=0.0079，而无AMAF时为0.0163，证明其强鲁棒性。进一步的消融实验在CALCE数据集上进行（CS2_35训练、CS2_36测试）：去除ECM特征提取使RMSE从0.0121增至0.0168（恶化28.0%）；将MOQPSO替换为标准PSO使RMSE从0.0081升至0.0102；去除AMAF使RMSE从0.0055升至0.0081（恶化32.1%），证实每个组件均独立贡献力量。在与先进模型的对比中，所提模型在牛津cell3、cell7和NASA B0005上均保持最低误差，例如B0005的RMSE为0.0029，优于CNN-LSTM-Transformer（0.0113）、Transformer-KAN（0.0116）以及FOTLSPSO-BPNN（0.39%）等经典方法。可重复性分析中，对cell1、B0005、CS2_35各进行10次独立训练，平均RMSE分别为0.0026±0.0006、0.0035±0.0004、0.0144±0.0067，说明预测性能稳定，非随机初始化偶然所致。

讨论部分指出，该框架在多个数据集上的综合表现证明了物理先验、自适应降噪与多目标特征融合的协同优势。AMAF将NASA电池的RMSE降低了60%-80%，在噪声环境下仍保持高精度；对比实验中，所有基准模型均在同一硬件平台（i7-14650HX，16G内存，RTX4070）和相同训练设置下运行，排除了硬件干扰。所提模型总运行时间平均约120秒（训练约100秒，推理约20秒），虽不适合实时逐周期监控，但适合中长期SOH估计。CALCE数据误差较高主要归因于其加速老化下不规则、非单调的容量衰减以及正极化学体系的差异。研究结论为：提出的ECM-AMAF-MOQPSO-BPNN预测框架通过一阶RC等效电路模型分析，引入AMAF噪声抑制和增强粒子群优化，显著提高了预测精度。牛津大学公开数据集、NASA电池测试记录和马里兰电池数据集上的验证表明了其实际适用性。该方法增强了对不同工作条件和不同电池配置的适应能力，对延长锂离子电池寿命和改善电池管理系统性能具有重要作用。局限性在于数据集仅覆盖常温和高温环境，低温下ECM参数识别更具挑战性；MOQPSO处理极大数据集时可能存在训练效率问题。未来工作将改进ECM参数识别方法，优化BPNN结构及学习算法，并开展电动车辆电池模块级别的实验验证。