线性回归(Linear Regression, LR)与前馈神经网络(Feed-Forward Neural Network, FNN)混合方法预测锂离子动力电池健康状态(State of Health, SOH)

《World Electric Vehicle Journal》：LR Linear Regression Model and FNN Feed-Forward Neural Network: Hybrid Approach to Predict SOH of Lithium Ion Batteries

　　

将电动汽车(Electric Vehicle, EV)接入电网构成Vehicle-to-Grid(V2G)微网模型以促进多能源协同管理，其中V2G规划的目标之一是降低电能消耗。微网的有效管控依赖先进的自动化与控制系统，而此类系统的建立与维护颇具挑战。为此，研究人员提出一种融合线性回归(Linear Regression, LR)模型与由Matlab构建的前馈神经网络(Feed-Forward Neural Network, FNN)的混合模型，该组合算法依据NASA PCoE研究中心数据集电池B0005、B0006及B0007，以均方误差(Mean Squared Error, MSE)、均方根误差(Root Mean Squared Error, RMSE)及平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)为评价指标调节隐含层神经元数目以提升性能。研究人员对最贴合电池退化特征的使用寿命进行预测，揭示了LR与FNN联合应用于EV入网V2G系统未来发展的重大意义。训练、测试与验证各阶段的对比充分证明了该方法的有效性。此外，研究人员指出LR–FNN算法为兼容V2G的EV系统管理提供了关联预测工具，且优于现有文献中其他方法；研究人员还明确了LR–FNN模型特性以供后续应用参考，强调其在微网高效管理、能效提升及保障微网安全韧性与抗故障威胁方面的效用。

论文解读：LR与FNN混合方法预测锂离子电池SOH及其在V2G微网管理中的应用

一、研究背景与意义

电动汽车(Electric Vehicle, EV)搭载的锂离子动力电池因能量密度高、效率高及适应性强，已成为EV、便携式电子设备、大规模储能及医疗器械的核心动力源。Vehicle-to-Grid(V2G)技术使EV可作为移动储能单元实现与电网双向能量交互，在低负荷时段存储富余电能、高峰时段回馈电网，起到削峰填谷、平抑可再生能源波动及提升电网稳定性的作用，是构建智能微网的关键环节。然而V2G系统的高效运行高度依赖电池状态监控，特别是电池健康状态(State of Health, SOH)——即电池当前最大可用容量与初始额定容量之比（SOH = C_a/C_r），以及剩余使用寿命(Remaining Useful Life, RUL)的精确估计。锂离子电池内部老化机理复杂，受温度、充放电倍率、材料特性等多因素影响，直接在线测量SOH困难，传统单一模型（如仅用线性回归Linear Regression, LR或仅用人工神经网络Artificial Neural Network, ANN）难以兼顾线性趋势捕捉与非线性退化特征学习，且存在可解释性差或易过拟合等问题。为此，研究人员提出将LR的可解释性与前馈神经网络(Feed-Forward Neural Network, FNN)的非线性映射能力相结合的混合算法，基于NASA PCoE数据集验证其对SOH预测精度的提升效果，以支撑V2G兼容EV系统的电池管理。本文发表于《World Electric Vehicle Journal》。

二、主要关键技术方法

研究人员采用NASA PCoE研究中心公开数据集中的18650型锂离子动力电池B0005、B0006、B0007（充电截止4.2 V，放电截止2.6–2.7 V，含电流、电压、温度、时间等参量及放电容量数据）。选取循环次数(Cycle Number)、放电容量(Discharge Capacity)为输入特征，SOH由SOH = 当前循环放电容量 / 初始循环放电容量计算获得。数据按80%训练、10%验证、10%测试划分，采用Z?score标准化（X_std= (X ? μ)/σ，μ为均值，σ为标准差）。混合模型架构为：先用岭回归（L2正则化Linear Regression）拟合SOH的线性基线 ?OH_LR= β₀+ Σβ_iX_i，计算残差 r = SOH_actual? ?OH_LR；将原始归一化特征与?OH_LR拼接为增广特征输入FNN，FNN含两层隐含层（文中典型配置每层5–50个神经元，经试错优选），隐含层激活函数为ReLU（f(x) = max(0,x)），输出层为线性激活函数（f(x) = x），以残差r为FNN训练目标，最终预测值 ?OH_hybrid= ?OH_LR+ FNN(X_aug)。网络权重初始化参考LR系数并通过反向传播（梯度下降结合Adam优化器）更新，以MSE为损失函数并加入L2权重衰减防止过拟合，采用早停法(Early Stopping)依据验证集性能确定最佳迭代次数。模型评价采用MSE、RMSE、MAPE及RMSPE(Root Mean Squared Percentage Error)。

三、研究结果

2. Describes the Data Acquisition NASA Prognostics Center of Excellence Dataset

研究人员介绍了NASA PCoE数据集结构，B0005、B0006、B0007电池在恒温箱中经历多次恒流?恒压充电与恒流放电循环，记录了测试时间(test_time)、步长时间(step_time)、电压(V)、电流(A)、表面温度(°C)及电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)周期性测量值；随循环次数增加，三节电池放电容量呈单调衰减趋势，符合容量衰退(Capacity Fade)典型特征，为混合模型提供基准实验数据。

3. Described the LR-FNN Model Development and the Architecture of the Model

研究人员阐明混合模型流程：LR先行提取输入?输出间线性相关性并筛选显著特征，FNN在此基础上学习LR未捕获的非线性残差；二者为级联?残差结构而非并行独立预测后简单集成，LR提供可解释基线，FNN细化修正，隐含层选用poslin(ReLU)引入非线性，输出层线性以保证回归连续性，整体兼顾透明度与精度。

4. Described the Proposed LR-FNN Methodology

详述MATLAB实现步骤：电池数据选择与载入→指定循环范围并计算每循环放电容量→SOH计算（SOH = capacity / initial_capacity）→特征组织（循环次数、放电容量等）→LR模型训练得?OH_LR及残差→构建增广特征矩阵[X_norm, ?OH_LR]→配置FNN拓扑（输入维数=特征维数+1，双层隐含层，ReLU + 线性输出）→按8:1:1划分数据集训练FNN以预测残差→最终SOH = ?OH_LR+ FNN(X_aug)。同时比较Min–Max缩放与Z?score标准化效果，确认Z?score更利于FNN收敛。LR在此不作为最终预测器，而是为特征工程与FNN提供信息丰富的线性近似，降低FNN学习难度并提升稳定性。

5. Mathematical Formulas

给出LR表达式 Y = β₀+ β₁X₁+ … + β_pX_p+ ε（ε为误差项）；FNN神经元输出 y = f(Σw_ix_i+ b)（f为激活函数，w为权重，b为偏置）；权重更新规则 Δw_ij= ?η·?E/?w_ij（η为学习率，E为误差）；岭回归解 β = (X^TX + λI)^?1X^TY（λ为正则化参数，经交叉验证选定）；残差 r = SOH ? ?OH_LR；增广输入 X_aug= [X_norm, ?OH_LR, 可能的二次/交互项]；最终混合预测 ?OH = ?OH_LR+ f_FNN(X_aug)。另给出SOC(State of Charge)定义、DoD(Depth of DOD = 1 ? SOC)关系、V2G调度可用容量 E_disp= C_nom·(SOC ? SOC_min) ? E_trip/η 等配套公式。

6. The Results and Discussions

以B0005、B0006、B0007为对象，分别给出训练、验证、测试阶段回归拟合图（R²接近1.0）及MSE随迭代次数变化曲线。最佳验证MSE分别为B0005约2.98×10^?5（第14轮）、B0006约2.40×10^?6（第7轮）、B0007约4.10×10^?6（第7轮）。预测SOH曲线与实测SOH曲线高度吻合，最大预测误差量级均在10^?6～10^?7。单独LR与单独FNN的各电池MSE/RMSE列于文内，混合模型相较单独LR或FNN在MSE、RMSE、MAPE上均有下降，表明残差学习结构有效提升了预测精度。

7. Comparison Between the Proposed Hybrid Algorithm and Other Methods in the Literature

对比文献中基于同一NASA数据集的粒子群优化反向传播神经网络(PSO?BPNN)、模糊时变最小二乘PSO?BPNN(FOTLSPSO?BPNN)等方法，LR?FNN混合模型的RMSE低于对比方法，验证了该混合策略在SOH估计上的优势。研究人员强调须采用时间前向分割（前N循环训练、后M循环测试）或留一电池交叉验证以避免时序相关数据的信息泄露，确保评价真实性。

8. Concept of Robustness

定义模型鲁棒性为在含离群值、缺失或噪声数据中仍保持稳定预测的能力，可通过敏感性分析、Bootstrap重采样及缺失数据插补验证；LR?FNN因LR提供低方差基线且FNN仅学残差，对局部噪声具一定免疫性。

9. Generalization

泛化能力指模型在未参与训练的电池或工况下的预测表现，通过Leave?One?Battery?Out交叉验证及分布偏移测试评估；文中混合架构因线性部分具跨条件迁移性，FNN作局部校正，较单一大数据量黑箱网络更不易过拟合，泛化性更优。

四、讨论与结论总结

研究人员得出结论：所提LR?FNN混合算法可有效预测NASA PCoE数据集B0005、B0006、B0007锂离子动力电池的SOH，LR捕捉循环次数与容量衰减间的线性趋势并提供可解释系数，FNN学习未被LR解释的 nonlinear residual（非线性残差），二者级联残差结构使混合模型在MSE、RMSE、MAPE指标上优于单独的LR或FNN模型及部分文献对照方法。该算法为V2G兼容EV系统的电池管理系统(Battery Management System, BMS)提供高精度SOH估计工具，有助于微网能量调度决策、延长电池服役寿命并增强系统安全性与韧性，未来可拓展至不同电芯规格及工况下的SOH/RUL预估以进一步服务EV与智能电网深度融合。