论文标题：A novel state of health estimation model for lithium-ion batteries incorporating signal processing and optimized machine learning methods

期刊：Frontiers in Energy

作者：Xing Zhang, Juqiang Feng, Feng Cai, Kaifeng Huang, Shunli Wang

发表时间：14 Oct 2024

DOI：10.1007/s11708-024-0969-x

微信链接：点击此处阅读微信文章

文章简介

准确评估电池健康状态（SOH）是保证电气设备长期稳定运行的基石。然而，数据在循环老化过程中携带的噪声对SOH估计的准确性和模型的泛化能力提出了严峻的挑战。为此，本文提出了一种新的锂离子电池SOH估计模型，该模型结合了先进的信号处理技术和优化的机器学习策略。该模型采用鲸鱼优化算法（WOA）寻求变分模态分解（VMD）方法的最优参数组合（K，α），以确保信号准确分解为代表电池SOH的不同模态。然后，利用卷积神经网络（CNN）出色的局部特征提取能力来获取SOH各模态的关键特征。最后，基于支持向量机（SVM）的泛化能力和在小样本数据集上的高效性能，选择其作为最终的SOH估计回归器。在包含不同温度、放电速率和放电深度的两类公开锂离子电池老化数据集上对所提方法进行了验证，结果表明基于WOA-VMD的数据处理技术有效解决了循环老化数据噪声对SOH估计的干扰问题，而CNN-SVM优化的机器学习方法显著提高了SOH估计的准确性，与传统技术相比，融合算法在解决数据噪声干扰、提高SOH估计准确性、增强泛化能力等方面取得了显著效果。

主要研究内容

恒流充电时间（CCCT）作为一种直观且易于量化的指标，显著反映了电池性能在老化过程中的变化趋势。随着电池老化，内阻增加、可用容量下降等现象十分常见，直接导致CCCT的降低。一些研究已经详细阐述了这种相关性，图1说明了 HF1 和 HF2 两种电池的特性曲线。

图1健康因素特征曲线

（a）BH的CCCT；（b）BH的dv/dt特性；（c）BL的CCCT；（d）BL的dv/dt特性

为了探究电池老化过程中蕴含的复杂动态行为，特别是循环数据中蕴含的多频率和多幅度模态分量，本文采用 VMD 方法有效地分离和识别隐藏在数据背后的关键特征。为了进一步提高 VMD 分解的准确性和鲁棒性，采用基于 WOA 的智能优化策略系统地确定 VMD 分解层数和惩罚因子的最佳组合。采用 CNN 优化的 SVM 方法准确估计电池 SOH。图 5 直观展示了文章方法的核心结构框架。

文章提出的方法的思想结构包括三个部分，具体任务概述如下：（1）通过实验获取老化数据集并进行分析以提取HF。（2）提出WOA-VMD信号处理方法。采用WOA方法确定分解层数和惩罚因子的最优组合，确保分解结果的准确性和稳定性。VMD方法分解SOH以获得不同频率下的稳定特征。（3）提出了SOH的CNN-SVM估计方法。CNN的多层卷积和池化操作捕获了组件数据中至关重要的特征。随后，将这些关键特征输入SVM进行回归预测，以准确估计电池的SOH。

图2 文章所采用方法的核心结构框架

与原始数据相比，WOA-VMD 处理后的特征在预测性能方面表现出更高的可预测性。尽管如此，每个 HF 层仍可能保留一些固有的独特特征。本文设计了 CNN-SVM 作为 SOH 的机器学习预测器，以进一步提高预测器的估计精度和泛化能力。这种方法结合了两种方法的优点，实现了更准确和泛化的预测结果。CNN 可以自动创建有效的过滤器并有效地从数据中提取深度特征。因此，CNN 在时间序列应用中具有巨大的潜力。文章的CNN-SVM思维导图如图3所示，(1) 将 VMD 得到的模态分量分为训练和测试数据集。CNN 由两个卷积层和两个全连接层组成，卷积层通道数设置为 13、12、11。学习率设置为 0.001，学习率 dropout 周期为 125。多层架构中使用 Dropout 和 Lasso 正则化。(2) CNN 模型的全连接层 1 作为支持向量机的输入特征。使用预测函数 f 获得 CNN-SVM 的预测结果。(3) 保存 CNN-SVM 训练模型。(4) 重新加载训练模型。通过将全连接层 1 直接连接到 SVM 层来构建测试模型。

图3 CNN-SVM 估算 SOH 的流程图

如图4和图5所示，图中误差参考值最大值为1.2×10−3，平均误差为4.2×10−5。参考结果的大小是评价VMD分解效果的量化指标，直接反映了分解结果与原始信号的接近程度。结果表明WOA-VMD方法在保留原始信号本质特征的同时，能够有效去除原始信号中的噪声，所选参数组合适用于当前信号。

图4 BH类细胞的 WOA-VMD 后结果

图5 BL类细胞进行 WOA-VMD 后的结果

实验将CNN-SVM与SVM、CNN模型进行了比较，为保证实验结果的可靠性和泛化能力，采用两种不同的训练集与测试集划分比例，第一种划分比例为7:3，侧重考核模型在较大训练样本下的学习能力，图6清晰地展示了7:3划分比例下各模型在训练集与测试集上的性能评估结果。图6清晰地揭示了在温度、放电速率、放电深度等多种因素的相互影响下，电池老化过程的复杂性。然而，本文介绍的先进的SPT和高效的ML算法显示了图8 BH类电池WOA-VMD后的结果、图9 BL类电池WOA-VMD后的结果。这些方法在单独应用于 SOH 评估时显著提高了传统 SVM 和 CNN 的准确性。它们还实现了对电池 SO 动态曲线的精确跟踪和前瞻性预测。

图6 使用包含 70% 数据的训练集对不同细胞的 SOH 估计结果。

(a) BH1；(b) BH2；(c) BH3；(d) BL1；(e) BL2；(f) BL3

图7显示了训练集占数据 70% 时估计误差的边界框线图。该图表明本文提出的方法具有平滑的误差曲线和相对较小的误差值，有力地验证了其有效性。此外，框线图表明该方法在数据处理中表现出良好的稳定性和一致性，分布紧凑且没有显著的异常值，进一步证明了该方法在误差估计方面的优越性。

图7 使用包含 70% 数据的训练集对不同细胞的 SOH 估计误差。

（a）BH1；（b）BH2；（c）BH3；（d）BL1；（e）BL2；（f）BL3。

主要结论

文章针对电池循环老化过程中噪声对数据采集带来的挑战及其对SOH估计精度和泛化能力的影响进行了探讨，并在此基础上提出了一种新方法并进行了实验验证。文章的主要贡献和关键结论如下：

（1）基于详细的循环老化数据228 Ah矿用锂电池和1.1 Ah民用锂电池，选取不同温度条件、放电速率、放电深度的电池数据样本，构建了全面的数据集，并通过分析电池老化数据，开发了包含恒流充电、电压变化率等特征的多尺度健康因子，验证结果表明健康因子与电池容量有较强的相关性，有效支持对电池健康状态的准确评估。

（2）针对新提出的WOA-VMD方法，对6个电池样品进行了模态分解实验。实验结果表明，该方法能有效滤除原始信号中的噪声干扰，同时成功保留与电池状态变化相关的关键特征信息，为后续的电池性能分析奠定了坚实的基础。

（3）通过对比实验发现，基于WOA-VMD的数据处理技术能有效解决循环老化数据噪声中存在的噪声干扰问题，显著提升SOH估计的准确性，同时CNN-SVM优化的ML方法能有效提高提高SOH估计的准确性。与传统技术相比，融合算法在解决数据噪声干扰、提高SOH估计准确性、增强泛化能力等方面取得了显著效果。

原文信息

A novel state of health estimation model for lithium-ion batteries incorporating signal processing and optimized machine learning methods

Xing Zhang, Juqiang Feng, Feng Cai, Kaifeng Huang, Shunli Wang

Abstract：

An accurate assessment of the state of health (SOH) is the cornerstone for guaranteeing the long-term stable operation of electrical equipment. However, the noise the data carries during cyclic aging poses a severe challenge to the accuracy of SOH estimation and the generalization ability of the model. To this end, this paper proposed a novel SOH estimation model for lithium-ion batteries that incorporates advanced signal-processing techniques and optimized machine-learning strategies. The model employs a whale optimization algorithm (WOA) to seek the optimal parameter combination (K, α) for the variational modal decomposition (VMD) method to ensure that the signals are accurately decomposed into different modes representing the SOH of batteries. Then, the excellent local feature extraction capability of the convolutional neural network (CNN) was utilized to obtain the critical features of each modal of SOH. Finally, the support vector machine (SVM) was selected as the final SOH estimation regressor based on its generalization ability and efficient performance on small sample datasets. The method proposed was validated on a two-class publicly available aging dataset of lithium-ion batteries containing different temperatures, discharge rates, and discharge depths. The results show that the WOA-VMD-based data processing technique effectively solves the interference problem of cyclic aging data noise on SOH estimation. The CNN-SVM optimized machine learning method significantly improves the accuracy of SOH estimation. Compared with traditional techniques, the fused algorithm achieves significant results in solving the interference of data noise, improving the accuracy of SOH estimation, and enhancing the generalization ability.

Cite this article

Xing Zhang, Juqiang Feng, Feng Cai, Kaifeng Huang, Shunli Wang. A novel state of health estimation model for lithium-ion batteries incorporating signal processing and optimized machine learning methods. Front. Energy, https://doi.org/10.1007/s11708-024-0969-x

识别二维码，下载全文

期刊简介

Frontiers in Energy是中国工程院院刊能源分刊，高教社Frontiers系列期刊之一。由中国工程院、上海交通大学和高等教育出版社共同主办。翁史烈院士和倪维斗院士为名誉主编，中国工程院院士黄震、周守为、苏义脑、彭苏萍担任主编。加拿大皇家科学院、加拿大工程院、中国工程院外籍院士张久俊，美国康涅狄格大学校长、教授Radenka Maric，上海交通大学教授Nicolas Alonso-Vante和巨永林担任副主编。

Frontiers in Energy已被SCIE、Ei Compendex、Scopus、INSPEC、Google Scholar、CSCD(中国科学引文数据库)、中国科技核心期刊等数据库收录。2024年海内外下载量超110万。截至2025年01月05日，即时Impact Factor为5.4,即时CiteScore为7.0。

Frontiers in Energy免收版面费，且对于录用的文章提供免费语言润色以保障出版质量。进入外审的稿件（不包括评论、新闻热点等短文），第一轮审稿周期约30天，从审稿到录用平均60天。

更多信息请访问：

http://journal.hep.com.cn/fie（国内免费开放）

https://link.springer.com/journal/11708

联系我们：

FIE@sjtu.edu.cn, (86) 21-62932006

qiaoxy@hep.com.cn, (86) 10-58556482

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn