power-sonic蓄电池基于最优特征组合与混合神经网络的锂离子电池健康状态可解释性评估方法
2026-04-16 15:58:16 点击： 次
健康状态（SOH）是确保锂离子电池（LIB）系统安全、可靠与稳定运行的关键参数，因此实现精确的SOH估算至关重要。然而，电池老化过程的高度非线性和复杂性给准确评估带来了重大挑战。针对这一问题，本文提出一种可解释的SOH估算方法，该方法融合了时序卷积网络、挤压激励网络和双向长短期记忆（TCN-SENet-BiLSTM）架构的混合神经网络，并结合最优特征组合。此外，该方法通过基础特征、增量容量（IC）特征和增量能量（IE）特征全面表征老化过程，这些特征作为混合模型的输入以实现精确的SOH估算。为提高模型透明度与可靠性，本研究采用深度沙普利加性解释(SHAP)算法量化个体特征贡献度，同时通过相关性分析与消融实验验证最优特征组合的有效性。此外，利用美国国家航空航天局(NASA)与先进生命周期工程中心(CALCE)公开数据集中的八组电池数据，验证了所提方法的优越性。实验结果表明，该模型显著优于对比模型，其平均绝对误差与均方根误差值均低于1.5%。
图文摘要
引言
锂离子电池（LIBs）以其高能量密度、长循环寿命、低自放电率和优异的环境适应性成为现代储能与能量转换的核心技术，广泛应用于电动汽车（EVs）、电网储能系统和航空航天领域[1][2][3]。然而随着充放电循环次数增加及运行环境日益复杂，锂离子电池不可避免地发生内部电化学老化，主要表现为容量衰减和内阻上升[4][5]。这种性能退化不仅降低系统效率，更会引发严重安全隐患[6]。因此，健康状态（SOH）的精确估算已成为电池管理系统（BMS）研究的核心课题。作为量化性能相对于初始状态退化程度的关键指标，健康状态(SOH)对于确保系统安全可靠运行至关重要[7][8]。具体而言，实际应用中过大的SOH估算误差可能导致严重后果。以电动汽车领域为例，高估SOH会造成突然断电并引发驾驶员的严重里程焦虑；而低估SOH则可能导致电池过早更换，从而增加经济负担。同理，在电网储能系统中，不准确的SOH预测会干扰最优电力调度策略，降低整体能源利用效率，并可能掩盖严重的电池退化模式，进而加剧热失控风险和系统灾难性故障的发生概率。因此，开发高精度且可解释的SOH估算模型是实际应用的迫切需求。
目前，锂离子电池的健康状态（SOH）估计方法主要分为三大类：直接测量法、基于模型的方法和数据驱动方法[9]。直接测量法依赖专用的充放电测试装备，通过评估容量、内阻或开路电压（OCV）等关键参数来量化SOH[10]。尽管这类方法能以较低计算负担提供精准基准数据，但其对测试环境和装备精度要求严苛，导致过程耗时且成本高昂[11]。此外，这些方法无法适应动态工况或进行在线实时估计，严重制约了其在实际工程应用中的实用性[12]。
基于模型的方法主要通过构建电化学模型、等效电路模型或经验退化模型来估算电池健康状态（SOH），利用数学方程描述电池内部物理化学动态及老化机制[13][14]。Li等人[15]将电解质物理特性整合至单颗粒模型中，并引入耦合退化机制，以实现面向在线电池管理系统应用的容量衰减与功率耗散评估。Li等学者[16]提出了一种简化的多粒子模型，采用预测-校正策略和准线性化方法来降低计算复杂度，并验证了其在电池状态估计与老化分析中的准确性。Lyu等[17]建立了简化电化学模型，运用激活-响应策略来识别作为电池健康状态准确指标的关键参数。然而，物理建模的复杂性及对动态工况的敏感性，限制了基于模型的方法在实际应用中的鲁棒性。相比之下，数据驱动方法无需阐明深层老化机制；凭借其卓越的非线性映射能力和广泛适应性，这类方法通过从监测数据中提取关键特征，已逐步发展为健康状态估计的主流方法[18]。
在计算技术快速发展的推动下，数据驱动的SOH估计方法因其固有的高效性和灵活性而受到广泛关注。目前，这些方法主要分为浅层机器学习和深度学习两大类别[19]。浅层学习技术在小样本场景中展现出卓越性能，例如支持向量机(SVM)[20]、支持向量回归(SVR)[21]、相关向量机(RVM)[22]以及高斯过程回归(GPR)[23]。相反，随着数据量的扩大，以神经网络为核心的深度学习方法已成为主要研究焦点，这包括人工神经网络（ANN）[24]、卷积神经网络（CNN）[25]、循环神经网络（RNN）以及长短期记忆（LSTM）[26]网络。此外，时序卷积网络（TCN）[27]和基于自注意力机制的Transformer模型[28]等前沿算法近期被引入该领域，通过有效捕捉长序列数据中的退化轨迹，进一步提升了估计精度。马等[29]提出一种改进鲸鱼优化算法(IWOA)优化的双向长短期记忆网络(BiLSTM)框架，该框架利用容量退化拐点特征与单一早期老化特征，在保证预测精度的同时降低计算复杂度。李等[30]提出融合三维特征与白鲸优化算法的时序卷积网络(TCN)、注意力机制和双向门控循环单元(BiGRU)混合神经网络模型，实现了高精度健康状态(SOH)预测及跨材料泛化能力。耿等[31]提出了一种可解释的深度学习框架，该框架采用深度Shapley加性解释(SHAP)量化特征贡献度，并利用麻雀搜索算法(SSA)优化的多头注意力LSTM网络，在不确定性量化的前提下实现高精度SOH预测。尽管数据驱动方法在SOH估计精度方面取得了显著进展，但现有研究往往优先考虑预测性能，而忽视了模型的内部决策逻辑。然而，开发兼具高精度与强可解释性的SOH估计模型至关重要。清晰的模型可解释性不仅有助于理解关键老化特征及其作用机理，还能显著提升预测结果的可信度与透明度，从而确保电池管理系统(BMS)在实际应用中的安全性与可靠性[32]。
值得注意的是，数据驱动方法的性能不仅取决于模型架构的复杂性，从根本上更有赖于高质量健康特征（HFs）的支持。因此，从充放电曲线中提取蕴含丰富老化信息的特征是实现高精度SOH估计的前提条件[33]。马等人[34]从充放电曲线中提取了包括电流、电压、温度、时间及增量容量特征在内的十五项健康指标，并采用皮尔逊相关系数（PCC）筛选出高关联度特征。张等人[35]则从恒压（CV）充电阶段的渐降电流中提取五类特征，通过双重相关性分析选取最优组合特征。卢等人[36]从部分电压测量值中提取容量-电压曲线及其增量容量(IC)和微分容量序列作为模型输入。Meng等[37]从特定电压范围内随机选取的充电片段中提取部分IC曲线作为健康特征(HFs)用于寿命预测。Li等[38]将从恒流(CC)充电能量数据推导出的增量能量(IE)曲线峰值高度，作为电池健康状态(SOH)估计的老化特征指标。尽管单一特征的有效性已得到验证，但仅依赖某类特征难以充分捕捉电池全生命周期中复杂的非线性退化现象，因此提取多维特征对于全面表征老化过程至关重要。然而现有研究主要集中于增量容量（IC）分析，对增量能量（IE）特征的探索仍相对匮乏。此外，针对这两类特征间内在关联特性的深入研究目前仍鲜见报道。
为解决上述挑战，本文提出一种基于最优特征组合与TCN-SENet-BiLSTM混合神经网络的可解释锂离子电池健康状态（SOH）估计方法。该方法在确保SOH估计精度的同时，增强了模型透明度与可靠性。本工作的主要创新点可概括如下：
- (1)
Three categories of features, including base, IC, and IE features, are extracted from the raw data. Subsequently, the intrinsic relationships and distinctions between IC and IE features are systematically analyzed across three dimensions: mathematical derivation, linear inter-feature correlation, and their respective contributions to SOH estimation.
- (2)
A hybrid neural network model based on TCN-SENet-BiLSTM is proposed to achieve high-precision SOH estimation for LIBs. This architecture leverages the robust parallel convolutional capabilities of the TCN to extract deep local temporal features, incorporates the SENet attention mechanism to adaptively recalibrate feature channel weights for emphasizing critical aging features, and integrates BiLSTM bidirectional memory units to capture long-term degradation dependencies throughout the battery's lifecycle.
- (3)
The Deep SHAP method is introduced to endow the hybrid model with transparency and interpretability. By utilizing the DeepLIFT algorithm to approximate the marginal contribution of each input feature to the SOH prediction, this approach facilitates the ranking of feature importance, as well as the quantitative evaluation and visualization of the positive and negative influence mechanisms on battery aging predictions.
- (4)
Feature ablation experiments were conducted to quantitatively validate the effectiveness of the proposed optimal feature combination in enhancing model performance. Furthermore, a comparative analysis against multiple benchmark models comprehensively demonstrated the significant superiority of the TCN-SENet-BiLSTM model in terms of SOH estimation accuracy and generalization capability.