基于多维特征数据融合的锂离子电池SOH预测方法

《Modelling》：Lithium-Ion Battery SOH Prediction Method Based on Multidimensional Feature Data Fusion

　　

针对锂离子电池在老化过程中退化机制复杂且单一特征难以全面表征电池健康状态（SOH）的问题，该研究提出了一种基于多维健康特征（HF）加权融合的锂离子电池SOH预测方法。首先，从电池充放电数据中提取健康特征（HF），并利用皮尔逊相关系数分析各HF与SOH之间的相关性，基于此构建加权融合特征矩阵。然后，通过卷积神经网络（CNN）与双向长短期记忆（BiLSTM）的协同建模，实现从多维HF中联合提取局部特征与时序特征。同时，引入蝠鲼觅食优化（MRFO）优化关键超参数。最后，基于CALCE数据集进行实验，并通过与不同预测模型的比较以及HF融合策略的消融实验评估所提方法的预测性能。结果表明，所提方法在CS2-35、CS2-36和CS2-37测试电池上取得了良好的预测结果，最低平均绝对误差（MAE）为1.134%，最高决定系数R²为0.963。

**锂离子电池健康状态预测研究：多维特征加权融合与深度优化方法解析**

**1. 研究背景与问题**

锂离子电池凭借高能量密度、长循环寿命、低自放电及相对有限的环境负担，在电动汽车与储能系统中得到广泛应用。电池管理系统（BMS）通过监测电池运行状态并支持安全高效的能量利用，其中健康状态（SOH）作为表征电池老化程度与剩余服务能力的关键指标之一，其准确估计对于电池安全评估、运行策略优化及寿命管理至关重要。然而，锂离子电池SOH的演化受电化学老化、运行条件及历史使用等多重因素影响，呈现非线性与强耦合特征，单一可测量参数难以完全描述实际电池健康状态。现有SOH估计技术可分为实验测试方法、基于机理的方法与数据驱动方法。数据驱动方法通过从可测量的运行数据（如电压、电流、温度、容量）中提取健康特征（HF），并借助机器学习或深度学习模型建立HF与SOH之间的映射关系，从而避免建立精确电化学模型的需要。已有研究如随机森林、极限梯度提升、特征选择策略、基于容量退化特征的流形学习等方法虽取得一定进展，但预测精度仍受输入HF代表性的显著影响。若提取的HF未能充分描述电池退化或包含冗余信息，模型精度与泛化性能可能下降。近年来，基于电化学阻抗谱（EIS）的快速电化学数据也被用于SOH估计，但其实际实施通常需要额外阻抗测量设备与特定测试条件。相比之下，该研究从充放电过程中的电信号（电压、电流及时间相关信息）提取HF，这些数据可从常规循环数据中获取。随着深度学习发展，循环神经网络及其变体（如BiLSTM）在电池状态估计与寿命预测中应用日增，如堆叠BiLSTM网络、结合自注意力的BiLSTM、经麻雀搜索算法优化的BiLSTM、基于长短期记忆（LSTM）的容量预测模型等。此外，多特征融合、卷积神经网络（CNN）及注意力机制也被引入以增强复杂老化信息的表征能力。但现有方法仍存在局限：部分研究仅使用单一类型HF或有限退化指标，不足以表征复杂老化行为；多HF直接作为模型输入时，其退化关联性与贡献差异往往未被充分考虑，冗余或弱信息特征可能影响模型训练与预测稳定性；深度学习模型超参数常凭经验选择，可能导致预测性能不稳定并限制模型可复现性。针对上述问题，该研究提出一种基于多维HF加权融合与MRFO-CNN-BiLSTM的SOH预测框架。

**2. 主要研究方法与关键技术**

该研究采用以下关键技术方法：从CALCE锂离子电池老化数据集中选取CS2-35、CS2-36、CS2-37及CS2-38四块电池（额定容量1.1 Ah，充电方式为恒流/恒压，放电为恒流）进行特征构建与模型验证；提取11个多维HF，涵盖充放电持续时间、充电面积、增量容量（IC）特征、电压变化率及时间比例信息；利用皮尔逊相关系数量化各HF与SOH的相关性，并根据相关系数绝对值赋予权重，保留所有HF并构建加权融合特征矩阵；构建CNN-BiLSTM模型，CNN部分提取局部耦合模式，BiLSTM部分学习循环过程中的退化依赖关系；引入蝠鲼觅食优化（MRFO）对CNN-BiLSTM模型的关键超参数（卷积核数量、BiLSTM隐藏单元数、初始学习率、dropout率）进行全局优化。

**3. 研究结果**

**3.1 性能比较：不同预测模型的对比实验**
为评估所提MRFO-CNN-BiLSTM模型的跨电池预测能力，以CS2-38为训练集，CS2-35、CS2-36及CS2-37为测试集，并与LSTM、BiLSTM、CNN-Transformer、CNN-BiLSTM模型对比。结果显示，所有模型均能大致跟踪SOH下降趋势，但在局部波动、容量再生或后期快速下降阶段跟踪能力存在差异。所提模型在三个测试电池上预测曲线更接近真实SOH值，定量指标表明：在CS2-35上，MAE为1.222%、MAPE为1.435%、MSE为0.031%、RMSE为1.762%、R²为0.961；在CS2-36上，MAE为1.520%、MAPE为1.824%、MSE为0.044%、RMSE为2.090%、R²为0.951；在CS2-37上，MAE为1.134%、MAPE为1.345%、MSE为0.023%、RMSE为1.521%、R²为0.963。所有R²均高于0.95，表明模型与SOH退化轨迹拟合优良。进一步通过留一电池交叉验证，平均MAE为1.284%、MAPE为1.527%、MSE为0.032%、RMSE为1.783%、R²为0.960，验证了方法在CALCE数据集内的跨电池泛化能力。

**3.2 消融实验：HF融合策略与模块贡献分析**
为验证HF加权的影响，在相同模型结构、数据划分、MRFO设置及评价指标下，比较五种输入策略：未加权11-HF、加权Top-3 HF、加权Top-5 HF、加权Top-7 HF及加权11-HF。结果表明，加权11-HF在三个测试电池上整体性能最优（CS2-35：MAE 1.222%、RMSE 1.762%、R² 0.961；CS2-36：MAE 1.520%、RMSE 2.090%、R² 0.951；CS2-37：MAE 1.134%、RMSE 1.521%、R² 0.963），优于未加权及部分加权策略，表明低权重HF仍包含补充退化信息。此外，模块级消融实验移除或替换特定模块（Without MRFO、Without CNN、Without BiLSTM），结果显示完整模型误差最低，验证了MRFO超参数优化、CNN局部特征提取及BiLSTM双向时序建模各自独立贡献。

**4. 讨论与结论**

讨论部分指出，所提方法主要依赖完整或接近完整的充放电循环数据，因而更适用于标准实验室循环数据或可获取完整充电信息的应用场景。未来工作将关注部分充电片段、不同温度、不同充放电倍率、不同电池类型及实际BMS运行条件下的SOH预测，并考虑引入EIS相关指标、非线性特征加权策略、注意力机制及不确定性估计方法以进一步提升适应性、预测精度与安全导向可靠性。
研究结论总结如下：（1）从充放电持续时间、充电面积、增量容量（IC）、电压变化率及时间比例等多维度提取的11个HF可从不同角度表征电池退化信息；基于皮尔逊相关系数的加权融合方法能在突出高相关HF贡献的同时保留低相关HF中的补充退化信息，为SOH预测提供有效输入。（2）通过结合CNN进行局部特征提取与BiLSTM进行前向-后向时序依赖建模，MRFO-CNN-BiLSTM模型能有效表征电池退化模式；在MRFO辅助超参数调优下，模型在CS2-35、CS2-36及CS2-37测试电池上获得高于0.95的R²值。（3）HF融合策略的消融实验表明，加权11-HF通常优于未加权11-HF、加权Top-3 HF、加权Top-5 HF及加权Top-7 HF；全部11个HF的加权融合能更充分利用多维退化信息，提升SOH预测精度与稳定性。该论文发表于《Modelling》。