集成特征选择与多模型集成学习的综合电池健康状态估计

《Results in Engineering》:Integrated Feature Selection and Multi-Model Ensemble Learning for Comprehensive Battery Health State Estimation

【字体: 大 中 小 】 时间:2026年05月24日 来源:Results in Engineering 7.9

编辑推荐:

  锂离子电池的非线性退化行为、不同的运行工况以及测量不确定性,使得电动汽车电池健康指标的精确估计面临诸多挑战。传统的单一模型方法在不同预测目标上往往表现出不一致的性能。本研究提出了一种统一的集成学习框架,利用共同的特征表示对电池健康状态(SoH)、剩余使用寿命(

  
锂离子电池的非线性退化行为、不同的运行工况以及测量不确定性,使得电动汽车电池健康指标的精确估计面临诸多挑战。传统的单一模型方法在不同预测目标上往往表现出不一致的性能。本研究提出了一种统一的集成学习框架,利用共同的特征表示对电池健康状态(SoH)、剩余使用寿命(RUL)、内部电阻(IR)和容量(Capacity)进行同步预测。该框架整合了六种异构基学习器,包括循环神经网络、卷积模型和基于核的回归器,以学习多样化的退化模式。研究人员采用基于NSGA-II/III的多目标优化方法,在帕累托非支配解集中确定最佳融合权重,从而实现对所有健康指标预测精度的平衡。为提升透明度,研究还引入了结合相关性度量和随机森林(RF)重要性的特征层级分析,以识别具有物理相关性的退化驱动因素。该方法在真实的电动两轮车(E2W)平台数据上进行验证,并采用时间感知验证方案以避免数据泄露。实验结果表明,与单个模型相比,该方法在所有输出上的预测精度均得到显著提升且偏差降低。尽管仅在单一平台上进行了测试,但基于物理信息的特征使用和数据驱动的结构使其能够灵活适应多种电池系统和运行工况。
## 研究背景与动机

随着个人及商用交通电动化进程加速,锂离子电池凭借其高能量密度、充足功率输出及宽温度范围内的长使用寿命,已成为现代电动汽车(EV)动力系统的核心组件。然而,电池包目前占据车辆成本的最大比例,同时也是驱动系统中安全风险最高的部分,因此对电池状态的持续、稳定、可靠评估已成为技术和商业层面的必需。电池健康状态(SoH)和剩余使用寿命(RUL)是表征电池状态最关键的运维指标,为安全操作、性能保障、质保管理和计划维护提供决策依据。

电池退化在物理层面由一系列相互作用的电化学和机械过程共同导致,这些过程降低了可用容量、增加了内部电阻并减少了可输出功率。这些变化高度依赖于操作习惯,如放电深度、充电倍率、热暴露和驾驶工况。将电动汽车运行期间采集的原始电流、电压和温度数据转化为有效的健康指标具有先验复杂性:相关关系呈非线性、随电池老化而变化,并受到传感器噪声和驾驶员特异性变化的污染。然而,计算这些指标无需任何新硬件,基于现场或实验室测量训练的算法可为离线预测、控制器校准和决策支持平台提供同等的分析价值。

长期以来,基于物理的电池健康估计方法如等效电路模型、全电化学模型和基于模型的状态观测器占据主导地位。尽管这些方法在物理上可解释,但存在巨大实践成本:正确校准需要大规模的电池级表征,且当实际运行工况、老化路径或电极化学与设计假设不匹配时,模型保真度便会受损。随着循环数据库、现场日志基础设施和开放获取数据集的规模和范围急剧增长,为每种电池类型和使用场景构建和维护专门的基于物理的模型变得难以承受。这一数据可获得性的转变促使研究重心转向纯算法方法,直接从测量信号历史中提取退化信息,而无需对底层电化学过程进行物理描述。

数据驱动方法利用大量历史循环数据、现场日志和台架测试数据,训练机器学习和深度学习模型,以估计操作信号与健康指标之间的非线性映射关系。尽管这些方法令人印象深刻,但大多数已发表工作仅训练单一预测模型,并单独测试单一健康指标,存在结构性弱点:针对短期SoH预测优化的网络架构在预测长期晚期退化时会损失精度,而针对早期循环测量优化的模型在关键的寿命终止阶段可能不可靠。此外,预测质量对超参数、训练数据的统计分布以及噪声或分布漂移的存在高度敏感。鉴于没有单一模型能在所有健康指标和运行工况下始终表现最佳,构建由多个互补学习器组成的集成方法成为更为合理的解决思路。

电池老化数据的统计特征进一步加剧了建模难度:循环次数分布严重偏向早期寿命,寿命终止测量稀疏,测试协议、测量噪声和缺失值普遍存在。由于本研究仅关注算法层面,数据质量问题需通过预处理策略和建模决策而非测量点的硬件改进来解决。因此,良好的框架应既对噪声和不平衡训练信息具有鲁棒性,又能将多个噪声和不完美学习器的误差汇聚为更可靠的整体预测。

除精度外,信任和物理可信度也被证明是电池健康模型的重要属性,尤其是在安全关键应用中。事后解释方法SHAP(SHapley Additive exPlanations)表明,训练良好的SoH模型将最大的预测价值归因于物理可解释的因素,如平均充电电流、温升增量和累积能量吞吐量。本研究将基于SHAP的可解释性分析作为集成评估流程的常规组成部分,直接解决了近期系统综述中指出的透明度不足问题。

## 研究开展与主要贡献

基于上述背景,本研究在以下四个方面对现有研究做出了贡献:(i) 联合四指标预测:基于单一共享特征管道,实现对SoH、RUL、内部电阻和容量的同步预测;(ii) 有意的基学习器多样性:选择六种来自三个结构迥异模型家族的基学习器,包括深度循环架构(LSTM-CNN和PSO-BiLSTM)、元启发式优化卷积网络(DE-CNN)和正则化核机器(NSGA-III-SVM、GWO-SVM、NSGA-II-DE);(iii) 多目标集成权重优化:利用NSGA-II/III优化获取70个非支配解的融合权重,联合最小化所有四个健康指标的预测误差;(iv) 现场验证与可解释性验证:模型在实际生产电动两轮车的多月运行时间序列数据上进行训练和测试,并通过SHAP归因确保预测结果对退化具有物理意义。

本研究使用的数据来自一台量产电动两轮车的实际运行监测,包括锂离子电池牵引电池包、逆变器、无刷直流电机和车载数据采集(DAQ)系统,以及定期的直流内部电阻(DCIR)测试。DAQ以1 Hz的标称采样率记录电池包电压、电流、荷电状态(SoC)、温度及BMS诊断标志,同时逆变器和电机控制器提供相电流、直流母线电压、转速和转矩需求信号。DCIR测试在控制实验室环境下进行,通过固定SoC和温度条件下的ΔV/ΔI计算瞬时电阻。数据收集涵盖数月的日常使用,包括日常通勤、部分充电和完全充电,以及反映当地条件的环境温度。处理后的数据集经过按时间顺序划分,确保训练、验证和测试集之间不存在信息泄露。

在特征工程方面,研究人员构建了涵盖载荷相关特征(瞬时及滚动电流、功率、累积能量)、热相关特征(电池温度水平及梯度)、SoC窗口特征(平均SoC、放电深度代理)以及电阻相关特征(通过周期性DCIR测试获得)的特征集。通过皮尔逊相关系数分析结合随机森林重要性评分,形成"核心列表";进而采用主成分分析(PCA)降维保留95%方差,并通过递归特征消除(RFE)策略进一步精简特征子集。最终特征集包括瞬时包电压和电流、滚动平均和均方根电流、累积能量吞吐量、放电深度和窗口平均SoC、高低温持续时间区间,以及若干交互特征(如电流-温度乘积)。

模型开发采用六种异构基学习器:LSTM-CNN(一维卷积提取局部波形特征后接LSTM学习长期时序依赖)、PSO-BiLSTM(双向LSTM通过粒子群优化超参数)、DE-CNN(差分进化优化的紧凑一维卷积网络)、NSGA-II-DE(NSGA-II非支配排序结合DE算子的混合超参数搜索框架)、NSGA-III-SVM(NSGA-III多目标优化RBF核支持向量回归的超参数)和GWO-SVM(灰狼优化器优化RBF核SVR超参数)。这些模型涵盖深度序列模型、卷积特征提取器、具有显式正则化的核机器,通过K折交叉验证在驱动片段级别进行无信息泄露的评估。

## 研究结果

**基模型比较结果**:交叉验证结果显示,LSTM-CNN在SoH和容量预测上RMSE最低、R2最高,表明其建模长期单调退化伴随短期波动的能力;DE-CNN在短片段训练中容量预测竞争力强,验证了局部波形形态分析的作用;基于NSGA-III和GWO调优的核方法在RUL预测中表现尤为出色,其构建的灵活非线性决策面有利于基于部分历史外推剩余寿命;PSO-BiLSTM在所有目标上取得中等性能,预测平滑且物理合理,有利于集成多样性。通过标准化RMSE聚合的多指标全局评分排名,前三位模型依次为LSTM-CNN、NSGA-III-SVM和DE-CNN。

**可解释性分析结果**:SHAP全局归因分析表明,LSTM-CNN对所有四个健康指标贡献最大(SoH为0.653,RUL为0.594,IR为0.616,容量为0.633),证明长期时序序列建模是集成中最主要的机制。LIME局部归因分析则显示DE-CNN在所有目标上具有最大的局部贡献(0.295-0.311),因其对个别操作点的短片段波形模式敏感。SHAP与LIME排名差异——LSTM-CNN全局强劲、DE-CNN局部强劲——在物理上具有重要意义,验证了集成真正利用了六种学习器之间的互补机制。

**集成构建与优化结果**:集成架构采用加权平均与堆叠元学习器相结合的两级设计。初级层六种基模型分别生成预测,中级层通过目标特异性权重形成中间估计,高级层由线性回归器或浅层LSTM网络作为元学习器进行精炼,最终通过混合系数αt融合两者输出。权重优化采用NSGA-II/III多目标框架,在70个非支配解构成的四维帕累托前沿上,依据加权距离准则选择最优权重向量w*,该准则为各指标分配相等重要性权重λt=0.25。与最佳单模型相比,多目标权重优化使SoH、RUL、IR和容量的RMSE分别平均改善34.8%、33.6%、28.4%和25.1%。

**集成性能评估结果**:嵌套交叉验证下,集成在所有指标上均优于最佳单模型。SoH预测中集成RMSE和MAE低于GWO-SVM基模型,RME绝对值减小,R2提升;RUL预测中集成有效利用NSGA-III-SVM与GWO-SVM的互补行为,降低RMSE和MAE,RME更接近零;内部电阻预测中集成平滑了基于DCIR测量的高频噪声和虚假波动;容量预测中融合模型超越LSTM-CNN和DE-CNN,产生更小的RMSE和MAE、几乎无偏的RME,以及在不同载荷工况下更平滑一致的轨迹。多指标全局综合评分Sm的箱线图显示,集成在所有交叉验证折上始终取得最低的中位数和最小的四分位距,确认其不仅提升平均性能,还增强了跨工况和数据划分的鲁棒性。

**计算复杂度与部署可行性**:推理阶段,所有元启发式优化仅离线运行且不产生推理开销。LSTM-CNN和PSO-BiLSTM计算复杂度为O(L·H2)和O(2L·H2),内存占用约1.2-1.8 MB,适用于云/边缘周期级触发;DE-CNN为O(L·F·K),约0.3 MB,适用于轻量级边缘/嵌入式部署;三种SVM变体均为O(nsv·d),小于50 KB,适用于边缘/嵌入式部署;加权融合与元学习器复杂度仅O(M·T),小于5 KB,适用于任何平台。总体而言,集成推理由LSTM阶段主导,总内存小于3.5 MB,支持云辅助或边缘计算BMS架构。

## 讨论与结论

**研究结论**:本研究通过对比分析基学习模型和集成方法在多指标电池健康预测中的性能,验证了没有任何单一基学习器在所有指标上始终表现最佳,且模型性能随预测目标而异。GWO-SVM在SoH和RUL的单独性能方面最为成功,而NSGA优化集成提升了整体性能并最小化了预测偏差。LSTM-CNN在内部电阻估计中精度最高,但NSGA-III-SVM在容量方面最具可预测性。综合评估证实,所提出的NSGA-Opt集成结构在所有指标方面提供了最平衡和稳健的结果。值得注意的是,NSGA优化集成相比最佳单基模型在性能上有显著提升,SoH、RUL、IR和容量的RMSE分别降低34.8%、33.6%、28.4%和25.1%。此外,特征层级分析能够识别具有物理意义的退化驱动因素,使预测结果更加可靠。未来研究将致力于将该框架扩展至实时应用、不确定性预测以及在不同运行和老化环境下的自适应模型更新,以实现与先进电池管理系统的集成。此外,还将进行额外的跨数据集和跨平台测试,以进一步确认其泛化能力,具体计划包括使用NASA Prognostics的NMC(18650)电池进行跨化学体系验证、CALCE数据集的LFP软包电池进行平坦电压曲线测试、Oxford数据集的NMC电池进行跨协议验证,以及电动汽车现场数据的跨车辆验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号