《Results in Engineering》:Single-Cycle Prognostics of Lithium-Ion Batteries Using Statistical Feature Engineering and Extremely Randomized Tree Ensembles
编辑推荐:
准确估计健康状态(State of Health,SoH)和剩余寿命(Remaining Useful Life,RUL)对于锂离子电池(Lithium-ion Batteries,LiBs)的安全可靠运行至关重要。然而,大多数数据驱动方法依赖计算密集型的深度
准确估计健康状态(State of Health,SoH)和剩余寿命(Remaining Useful Life,RUL)对于锂离子电池(Lithium-ion Batteries,LiBs)的安全可靠运行至关重要。然而,大多数数据驱动方法依赖计算密集型的深度学习架构,或需要长期连续的退化历史,限制了其在嵌入式电池管理系统(Battery Management System,BMS)中的部署。本研究提出了一种轻量级机器学习框架,该框架从单个诊断充放电周期中提取统计特征,实现了稳健的健康状态(SoH)和剩余寿命(RUL)预测。该框架基于一个公开数据集开发和验证,该数据集包含124个商用磷酸铁锂(Lithium Iron Phosphate,LFP)/石墨电池,在72种不同快速充电协议下循环至失效。研究人员从每个周期的电压、电流和温度信号中计算了16个统计描述符。主要预测模型是分位数极端随机树(Quantile Extremely Randomized Trees,QERT)集成,通过树结构帕尔森估计器(Tree-structured Parzen Estimator,TPE)贝叶斯搜索并结合泛化感知目标函数进行优化。预测不确定性通过对分位数输出应用共形预测(conformal prediction)进行量化,产生名义95%的预测区间,在保留测试电池上实现了94.1%(SoH)和92.2%(RUL)的经验覆盖率。基于排列的特征重要性分析将描述符集缩减为紧凑的子集:SoH为8个特征,RUL为10个特征。在训练中未见过的25个保留电池上评估,该框架实现了SoH的聚合测试集均方根误差(Root Mean Squared Error,RMSE)为1.31个百分点,RUL为198.87个周期,每个电池的RMSE中位数分别为0.95个百分点和89.51个周期。
**论文解读**
**研究背景、问题与动机**
随着可再生能源转型和电动出行快速普及,锂离子电池(LiBs)成为现代储能技术的核心。为确保其安全性、可靠性和经济性,准确监测退化并预测未来性能(即电池预测)至关重要。健康状态(SoH)和剩余寿命(RUL)是评估电池状态和未来可用性的关键指标,它们不仅反映电池与初始性能的偏离程度,还指示其在安全运行限值内持续工作的时长。这些指标在电池全生命周期中具有实际意义:在首次应用中支持充电管理、负荷分配、预测性维护和故障预防;在二次利用场景中用于筛选、重新利用和评估退役电池的价值。
尽管数据驱动方法取得显著进展,现有方法仍面临实际部署中的重大限制。许多机器学习方法依赖手动特征提取,且需要完整或多个连续充放电周期,限制了其在稀疏历史数据场景下的适用性;深度学习模型虽可直接处理原始信号,但计算资源需求高、可解释性差;多数方法在高度受控的实验室小数据集上验证,与真实世界中不规律、部分循环和异质性的使用剖面差异显著;此外,依赖长连续退化历史进行特征提取的方法难以在嵌入式电池管理系统(BMS)中部署。因此,需要一种能从单个诊断周期中提取紧凑、信息丰富的退化特征,并实现轻量级、可解释的预测框架。
**研究内容、结论与意义**
研究人员提出了一个轻量级机器学习框架,仅从单个完整诊断充放电周期中提取16个统计特征(均值、中位数、标准差、四分位距、超峰度和差分熵),利用分位数极端随机树(QERT)集成模型预测SoH和RUL。该框架在公开的Severson等人数据集上开发和验证,包含124个商用LFP/石墨电池,在72种不同快速充电协议下循环至失效。主要结论如下:基于排列的特征重要性分析将特征集缩减为SoH的8个特征和RUL的10个特征,预测精度几乎未损失;在25个训练中未见的保留电池上,SoH的RMSE中位数为0.95个百分点,RUL为89.51个周期;共形量化预测区间实现了94.1%(SoH)和92.2%(RUL)的经验覆盖率,接近名义95%水平。这一框架展示了从单一诊断周期进行准确、不确定感知的电池预测的可行性,显著降低了对历史数据的需求,支持嵌入式BMS部署,并提高了实际应用中的数据效率和部署真实性。论文发表在《Results in Engineering》。
**主要技术方法**
本研究采用的关键技术方法包括:1)特征工程:从每个诊断周期的电压、电流和温度时间序列中计算16个统计描述符(均值、中位数、标准差、四分位距、超峰度、差分熵),构成紧凑的周期级表示;2)预测模型:分位数极端随机树(QERT)集成,通过树结构帕尔森估计器(TPE)贝叶斯搜索优化超参数,目标函数同时最小化验证误差和泛化差距;3)不确定性量化:对QERT输出的分位数预测应用共形预测(conformal prediction),生成名义95%的预测区间;4)特征重要性分析:基于排列的方法量化每个特征对预测误差和区间宽度的影响,并通过Top-k子集筛选构建紧凑模型。样本队列来源:Severson等人公开数据集,包含124个商用LFP/石墨电池(A123 Systems APR18650M1A,标称容量1.1 Ah,电压窗口2.0–3.6 V),在72种不同快速充电协议下循环至失效,实验在30°C恒温箱中采用Arbin LBT测试系统进行。
**研究结果**
**5.1 基线优化**:通过分组5折交叉验证对SoH和RUL模型进行超参数优化,SoH的最佳配置验证RMSE为1.172,RUL为128.40个周期。优化目标同时惩罚验证误差与训练-验证差距,平衡了准确性与泛化能力。
**5.2 测试集性能**:在25个保留测试电池上,SoH的聚合RMSE为1.309个百分点(R
2=0.911),RUL的聚合RMSE为198.867个周期(R
2=0.750)。共形预测区间经验覆盖率分别为94.1%(SoH)和92.2%(RUL),接近名义95%。按寿命阶段分层分析显示:SoH误差在早期稳定阶段最小(RMSE=0.726%),在寿命终止阶段最大(RMSE=2.376%);RUL误差则相反,早期稳定阶段最大(RMSE=314.94个周期),寿命终止阶段最小(RMSE=47.18个周期)。此外,长期存活电池由于产生更多测试样本,导致聚合指标受其影响较大:每个电池的RMSE中位数(SoH:0.95%, RUL:89.51个周期)显著低于聚合值,表明模型在典型电池上表现更稳健。
**5.3 特征重要性与模型紧凑性**:基于排列的特征重要性分析表明,SoH预测中电压分布描述符(如电压熵、电压标准差、电压中位数)占主导地位;RUL预测中电压和电流特征更为多样(如电压四分位距、电流均值、电压熵、电压峰度)。温度描述符贡献较弱且不一致。通过Top-k可行性筛选,SoH的最小编紧凑子集为8个特征(包括电压熵、电压标准差、电压中位数、电流四分位距、电流峰度、电压四分位距、电流中位数、电流均值),RUL为10个特征(包括电压四分位距、电流均值、电压熵、电压峰度、电压标准差、电流标准差、电流峰度、电压中位数、电流中位数、温度标准差),验证RMSE和区间宽度与16个特征的基线模型几乎相同。
**5.4 严格留一协议验证**:对69种精确充电协议进行留一协议(Leave-One-Protocol-Out,LOPO)分析,验证模型在协议漂移下的鲁棒性。SoH表现相对稳定,最佳保留协议RMSE为0.41–0.75%;RUL的协议间差异更大,最佳保留协议RMSE为24.9–34.3个周期。这证实了特征-目标关系在协议变化下仍具有信息量,但RUL的泛化能力较SoH更受协议身份影响。
**总结讨论与结论翻译**
**讨论总结**:研究表明,从单个诊断周期提取的统计特征足以支持准确的SoH和RUL预测,且共形量化预测区间提供了可靠的覆盖。SoH预测相对稳健,误差在所有寿命阶段和协议移位下保持较低;RUL预测在长期存活电池和协议漂移下误差增大,更适合作为粗略的退化风险指标而非精确周期预测。特征重要性分析揭示了电压分布描述符的主导作用,温度特征贡献有限,这与热偶接触不一致等实验限制一致。每个电池的RMSE中位数评估表明,聚合指标因长期存活电池样本权重过高而膨胀,中位数指标更能代表模型在典型电池上的鲁棒性。
**结论翻译**:本研究提出了一个轻量级机器学习框架,用于从单个诊断充放电周期中提取统计特征,估计锂离子电池(LiBs)的健康状态(SoH)和剩余寿命(RUL)。该框架在公开的Severson等人数据集的124个商用LFP/石墨电池上开发和验证,这些电池在72种不同快速充电协议下循环至失效。从每个周期的电压、电流和温度信号中计算16个统计特征(包括均值、中位数、标准差、四分位距、峰度和差分熵),通过排列重要性排序并缩减为SoH的8个特征和RUL的10个特征,模型精度几乎无损失。主要模型为分位数极端随机树(QERT)集成,通过树结构帕尔森估计器(TPE)贝叶斯搜索结合自定义泛化感知目标函数优化,在25个训练中未见的保留电池上实现了每个电池的RMSE中位数:SoH为0.95%,RUL为89.51个周期;每个电池的R
2中位数分别为0.95和0.88。探索性和特征分析证实了LFP电池中已知的退化现象,包括SoH演变的特征拐点、恒压充电阶段随内阻增加而延长以及相应温度峰值上升。特征重要性排序一致地识别出电压分布描述符(特别是差分熵、标准差和四分位距)为主要的预测信号。严格的留一协议实验(69种精确充电协议)证实,在协议漂移下特征-目标关系仍具有信息量。本研究的主要贡献在于:(1)证明了从单个完整诊断充放电周期即可实现准确且不确定感知的SoH估计;(2)提供了清晰、可重复的方法,包括信号处理、特征提取、特征选择和TPE优化;(3)通过排列方法提供了特征重要性评分,并构建了仅依赖Top-k性能最佳特征子集的紧凑模型。