一种基于ICA-T特征和CNN-LA-BiLSTM的锂离子电池健康状态估计方法

doi:10.19799/j.cnki.2095-4239.2024.1124

储能科学与技术 ›› 2025, Vol. 14 ›› Issue (3): 1258-1269.doi: 10.19799/j.cnki.2095-4239.2024.1124

一种基于ICA-T特征和CNN-LA-BiLSTM的锂离子电池健康状态估计方法

张朝龙¹^,²(), 陈阳¹, 刘梦玲¹, 张俣峰¹, 华国庆¹, 阴盼昐¹

^1.金陵科技学院智能科学与控制工程学院，江苏南京 211169
^2.武汉大学电气与自动化学院，湖北武汉 430072

收稿日期:2024-11-27 修回日期:2024-12-13 出版日期:2025-03-28 发布日期:2025-04-28
通讯作者: 张朝龙 E-mail:zhangchaolong@126.com
作者简介:张朝龙（1982—），男，博士，教授，研究方向为锂离子电池智能管理，E-mail： zhangchaolong@126.com。
基金资助:
国家重点研发计划“智能电网技术与装备”专项(2023YFB2406900);江苏省高等学校基础科学（自然科学）研究重大项目(23KJA480002);江苏高校“青蓝工程”中青年学术带头人，金陵科技学院高层次人才资助项目(jit-rcyj-202202);2024年大学生创新训练项目(202413573009Z);2024年金陵科技学院“科教融合”项目(2024KJRH09)

A state of health estimation method for lithium-ion batteries using ICA-T features and CNN-LA-BiLSTM

Chaolong ZHANG¹^,²(), Yang CHEN¹, Mengling LIU¹, Yufeng ZHANG¹, Guoqing HUA¹, Panpan YIN¹

^1.College of Intelligent Science and Control Engineering, Jinling Institute of Technology, Nanjing 211169, Jiangsu, China
^2.School of Electrical Engineering and Automation, Wuhan University, Wuhan 430072, Hubei, China

Received:2024-11-27 Revised:2024-12-13 Online:2025-03-28 Published:2025-04-28
Contact: Chaolong ZHANG E-mail:zhangchaolong@126.com

摘要/Abstract

摘要：

为了解决锂离子电池健康状态(SOH)估计精度不足以及退化过程描述不准确的问题，本文提出了一种基于卷积神经网络-局部注意力-双向长短期记忆神经网络(CNN-LA-BiLSTM)的锂离子电池SOH估计方法。首先，测量锂离子电池在充电阶段的充电时间、电流、电压、容量以及温度等数据。然后，对锂离子电池进行增量容量分析，提取增量容量(IC)曲线的面积作为锂离子电池的电特征；计算锂离子电池充电阶段的温度积分，作为温度特征；将曲线面积与温度相结合，用作锂离子电池SOH估计的联合特征增量容量面积-温度(ICA-T)。随后，利用CNN-LA-BiLSTM方法建立SOH估计模型，在模型中，引入局部注意力(LA)优化卷积神经网络(CNN)的权重和偏差，使用Huber损失函数优化模型参数从而获得良好的SOH估计效果。利用本实验室的2组锂离子电池数据开展测试，结果表明，提出的方法能有效地估计电池的SOH，平均绝对百分比误差(MAPE)为0.5794%，均方根误差(RMSE)为0.0099，决定系数(R²)为0.9961。与传统方法相比，本文提出的方法在电池SOH估计中表现出了更优的性能。

关键词: 锂离子电池, 健康状态估计, 卷积神经网络-局部注意力-双向长短期记忆神经网络, 增量容量, Huber损失函数

Abstract:

To address the challenges of insufficient estimation accuracy and inaccurate degradation modeling of lithium-ion battery state of health (SOH), this study proposes a lithium-ion battery SOH estimation method based on a convolutional neural network-local attention-bidirectional long short-term memory (CNN-LA-BiLSTM) model. First, the charging time, current, voltage, capacity, and temperature of the lithium-ion battery are measured during the charging phase. The lithium-ion battery undergoes incremental capacity (IC) analysis, and the IC curve area is extracted as an electrical characteristic of the lithium-ion battery. The temperature integral during charging the lithium-ion battery is calculated as a temperature characteristic. These features are combined into a joint IC area-temperature metric for SOH estimation of lithium-ion batteries. Then, the CNN-LA-BiLSTM model is constructed, incorporating LA to optimize the weights and biases of the CNN, while Huber loss function is used to optimize model parameters for enhanced SOH estimation accuracy. Results show that the proposed method effectively estimates the SOH of the battery, achieving a mean absolute percentage error of 0.5794%, root mean square difference of 0.0099, and a coefficient of determination of 0.9961. Compared with traditional methods, the proposed method shows better performance in battery SOH estimation.

Key words: lithium-ion battery, SOH, CNN-LA-BiLSTM, IC, Huber loss function

中图分类号:

TM 912

张朝龙, 陈阳, 刘梦玲, 张俣峰, 华国庆, 阴盼昐. 一种基于ICA-T特征和CNN-LA-BiLSTM的锂离子电池健康状态估计方法[J]. 储能科学与技术, 2025, 14(3): 1258-1269.

Chaolong ZHANG, Yang CHEN, Mengling LIU, Yufeng ZHANG, Guoqing HUA, Panpan YIN. A state of health estimation method for lithium-ion batteries using ICA-T features and CNN-LA-BiLSTM[J]. Energy Storage Science and Technology, 2025, 14(3): 1258-1269.

图/表 22

图 1

图 2

图 3

图 4

表 1

图 5

图6

图7

表2

表3

图 8

表 4

表5

表6

图9

图10

图11

表7

表8

表9

图 12

图 13

参考文献 18

1	张朝龙, 赵筛筛, 何怡刚. 基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法[J]. 电力系统保护与控制, 2023, 51(13): 177-186. DOI: 10.19783/j.cnki.pspc.221746.
	ZHANG C L, ZHAO S S, HE Y G. Remaining useful life prediction method for lithium-ion batteries based on ensemble empirical mode decomposition and ensemble machine learning[J]. Power System Protection and Control, 2023, 51(13): 177-186. DOI: 10.19783/j.cnki.pspc.221746.
2	LIU W, PLACKE T, CHAU K T. Overview of batteries and battery management for electric vehicles[J]. Energy Reports, 2022, 8: 4058-4084. DOI:10.1016/j.egyr.2022.03.016.
3	LI J, ADEWUYI K, LOTFI N, et al. A single particle model with chemical/mechanical degradation physics for lithium ion battery State of Health (SOH) estimation[J]. Applied Energy, 2018, 212: 1178-1190. DOI:10.1016/j.apenergy.2018.01.011.
4	YANG J F, CAI Y F, PAN C F, et al. A novel resistor-inductor network-based equivalent circuit model of lithium-ion batteries under constant-voltage charging condition[J]. Applied Energy, 2019, 254: 113726. DOI:10.1016/j.apenergy.2019.113726.
5	CAI H C, HAO X, JIANG Y, et al. Degradation evaluation of lithium-ion batteries in plug-In hybrid electric vehicles: An empirical calibration[J]. Batteries, 2023, 9(6): 321. DOI:10.3390/batteries9060321.
6	WU J, MENG J H, LIN M Q, et al. Lithium-ion battery state of health estimation using a hybrid model with electrochemical impedance spectroscopy[J]. Reliability Engineering & System Safety, 2024, 252: 110450. DOI:10.1016/j.ress.2024.110450.
7	ZHANG M, YANG D F, DU J X, et al. A review of SOH prediction of Li-ion batteries based on data-driven algorithms[J]. Energies, 2023, 16(7): 3167. DOI:10.3390/en16073167.
8	CHEN J Y, CHEN D W, HAN X L, et al. State-of-health estimation of lithium-ion battery based on constant voltage charging duration[J]. Batteries, 2023, 9(12): 565. DOI:10.3390/batteries9120565.
9	YANG J F, CAI Y F, MI C C. State-of-health estimation for lithium-ion batteries based on decoupled dynamic characteristic of constant-voltage charging current[J]. IEEE Transactions on Transportation Electrification, 2022, 8(2): 2070-2079. DOI:10.1109/TTE.2021.3125932.
10	ZHANG C L, ZHAO S S, YANG Z, et al. A reliable data-driven state-of-health estimation model for lithium-ion batteries in electric vehicles[J]. Frontiers in Energy Research, 2022, 10: 1013800. DOI:10.3389/fenrg.2022.1013800.
11	刘伟霞, 田勋, 肖家勇, 等. 基于混合模型及LSTM的锂电池SOH与剩余寿命预测[J]. 储能科学与技术, 2021, 10(2): 689-694. DOI: 10.19799/j.cnki.2095-4239.2020.0382.
	LIU W X, TIAN X, XIAO J Y, et al. Estimation of SOH and remaining life of lithium batteries based on a combination model and long short-term memory[J]. Energy Storage Science and Technology, 2021, 10(2): 689-694. DOI: 10.19799/j.cnki.2095-4239.2020.0382.
12	李放, 闵永军, 王琛, 等. 基于充电过程的锂电池SOH估计和RUL预测[J]. 储能科学与技术, 2022, 11(10): 3316-3327. DOI: 10.19799/j.cnki.2095-4239.2022.0165.
	LI F, MIN Y J, WANG C, et al. State of health estimation and remaining useful life predication of lithium batteries using charging process[J]. Energy Storage Science and Technology, 2022, 11(10): 3316-3327. DOI: 10.19799/j.cnki.2095-4239.2022.0165.
13	ZHANG J A, WANG P, GONG Q R, et al. SOH estimation of lithium-ion batteries based on least squares support vector machine error compensation model[J]. Journal of Power Electronics, 2021, 21(11): 1712-1723. DOI:10.1007/s43236-021-00307-8.
14	CHEN K, LI J L, LIU K, et al. State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine[J]. Green Energy and Intelligent Transportation, 2024, 3(1): 100151. DOI:10.1016/j.geits. 2024.100151.
15	ZHANG C L, LUO L J, YANG Z, et al. Battery SOH estimation method based on gradual decreasing current, double correlation analysis and GRU[J]. Green Energy and Intelligent Transportation, 2023, 2(5): 100108. DOI:10.1016/j.geits.2023.100108.
16	GU X Y, SEE K W, LI P H, et al. A novel state-of-health estimation for the lithium-ion battery using a convolutional neural network and transformer model[J]. Energy, 2023, 262: 125501. DOI:10.1016/j.energy.2022.125501.
17	张朝龙, 赵筛筛, 何怡刚. 基于信息熵与PSO-LSTM的锂电池组健康状态估计方法[J]. 机械工程学报, 2022, 58(10): 180-190. DOI: 10.3901/JME.2022.10.180.
	ZHANG C L, ZHAO S S, HE Y G. State-of-health estimate for lithium-ion battery using information entropy and PSO-LSTM[J]. Journal of Mechanical Engineering, 2022, 58(10): 180-190. DOI: 10.3901/JME.2022.10.180.
18	HOU W H, LU Y, OU Y, et al. Recent advances in electrolytes for high-voltage cathodes of lithium-ion batteries[J]. Transactions of Tianjin University, 2023, 29(2): 120-135. DOI:10.1007/s12209-023-00355-0.

电池编号	充电电流 /mA	放电电流 /mA	截止电压/V	充放电循环数/次
锂电池1	500	1250	3	1137
锂电池2	1250	1250	3	816

电池编号	滤波前皮尔逊系数	滤波后皮尔逊系数
锂电池1	0.9985	0.9985
锂电池2	0.9983	0.9983

电池编号	全电压范围皮尔逊系数	仅3.8 V前电压范围皮尔逊系数
锂电池1	0.9992	0.9982
锂电池2	0.9983	0.9867

特征	MAPE/%	RMSE	R²	皮尔逊系数
ICA	2.1124	0.0193	0.8746	0.9992
温度的积分	7.6104	0.0606	-0.2314	-0.7961
电流的积分	6.3893	0.0543	0.0114	-0.9442
充电时间	5.9775	0.0492	0.1882	-0.9373

特征	MAPE/%	RMSE	R²	皮尔逊系数
ICA	1.7582	0.0157	0.9793	0.9983
温度的积分	21.6693	0.1823	-1.7859	-0.4156
电流的积分	7.8230	0.0662	0.6328	-0.9623
充电时间	11.2369	0.0866	0.3720	-0.9731

一种基于ICA-T特征和CNN-LA-BiLSTM的锂离子电池健康状态估计方法

A state of health estimation method for lithium-ion batteries using ICA-T features and CNN-LA-BiLSTM

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

电池编号	模型	MAPE/%	RMSE	R²
锂电池1	CNN-LA-BiLSTM (无Huber)	1.0516	0.0123	0.9490
	CNN-BiLSTM (有Huber)	1.0123	0.0101	0.9657
	CNN-LA-BiLSTM	0.5794	0.0099	0.9961

锂电池2	CNN-LA-BiLSTM (无Huber)	1.8806	0.0167	0.9766
	CNN-BiLSTM (有Huber)	1.7021	0.0136	0.9845
	CNN-LA-BiLSTM	1.1265	0.0099	0.9933

电池编号	模型	训练、测试样本比例	MAPE/%	RMSE	R²
锂电池1	CNN-LA- BiLSTM	50%∶50%	0.5794	0.0099	0.9961
		40%∶60%	1.1358	0.0123	0.9638
		30%∶70%	1.5872	0.0152	0.9581
	CNN-BiLSTM (有Huber)	50%∶50%	1.0123	0.0101	0.9657
		40%∶60%	1.3141	0.0140	0.9537
		30%∶70%	2.3433	0.0215	0.9158

锂电池2	CNN-LA- BiLSTM	50%∶50%	1.1265	0.0099	0.9933
		40%∶60%	1.3350	0.0111	0.9908
		30%∶70%	2.7230	0.0231	0.9641
	CNN-BiLSTM (有Huber)	50%∶50%	1.7021	0.0136	0.9845
		40%∶60%	1.8078	0.0165	0.9796
		30%∶70%	2.8895	0.0241	0.9606

结果评价	锂电池1				锂电池2
结果评价	MAPE/%	RMSE	R²	运行时间/s	MAPE/%	RMSE	R²	运行时间/s
GRU	1.4607	1.3570	0.9382	0.37	4.1887	0.0330	0.9087	0.35
LSTM	1.4511	1.2498	0.9475	0.71	3.3593	0.0281	0.9335	0.56
BiGRU	1.4260	1.1492	0.9556	2.00	2.5719	0.0213	0.9619	1.71
BiLSTM	1.2776	1.0881	0.9602	2.34	2.5148	0.0196	0.9677	1.70
CNN-BiLSTM	1.1675	1.0843	0.9605	2.41	1.2051	0.0113	0.9893	1.81
CNN-LA-BiLSTM	0.5794	0.0099	0.9961	2.64	1.1265	0.0099	0.9933	1.92

[1]	武小兰, 马彭杰, 白志峰, 刘成龙, 郭桂芳, 张锦华. 一种锂离子电池组智能PID双层主动均衡控制方法[J]. 储能科学与技术, 2025, 14(3): 1150-1159.
[2]	曾帅波, 李涌仪, 彭静, 何梓星, 梁倬健, 徐伟, 蓝凌霄, 梁兴华. 基于三元锂离子电池的导电剂优化设计[J]. 储能科学与技术, 2025, 14(3): 1187-1197.
[3]	李南, 马静, 黄挺秀, 沈毅星, 沈旻, 江依义, 洪涛, 马国强, 马紫峰. 腈类化合物在高电压电解液中的研究进展[J]. 储能科学与技术, 2025, 14(3): 997-1009.
[4]	许陈程, 王湛, 李爽, 蒋江民, 鞠治成. 锂离子电池预锂化技术研究进展及工程化应用展望[J]. 储能科学与技术, 2025, 14(3): 930-946.
[5]	陈会明, 蔡艺嘉, 尹文骥, 陈美芬, 黄有国, 胡思江, 王红强, 李庆余. 铬钼双掺杂调控富锂锰基正极材料结构和电化学性能[J]. 储能科学与技术, 2025, 14(3): 1123-1132.
[6]	周丽萍, 周德清, 郑锋华, 潘齐常, 胡思江, 蒋永杰, 王红强, 李庆余. 锂离子电池Si@Void@C复合负极材料的制备及其应用[J]. 储能科学与技术, 2025, 14(3): 1115-1122.
[7]	张新宇, 罗声豪, 吴颖欣, 刘针莹, 张立志, 凌子夜. 复合相变材料用于锂离子电池热管理和热失控防护研究进展[J]. 储能科学与技术, 2025, 14(3): 1040-1053.
[8]	周德清, 蔡艺嘉, 张子芩, 周丽萍, 胡思江, 黄有国, 王红强, 李庆余. MoS₂ 尖晶石包覆富锂锰基正极材料的电化学性能[J]. 储能科学与技术, 2025, 14(3): 1087-1096.
[9]	段双明, 夏馗峰, 朱微. 考虑多种应用场景的锂离子电池多阶优化充电策略[J]. 储能科学与技术, 2025, 14(2): 779-790.
[10]	张子恒, 耿萌萌, 范茂松, 金玉红, 刘晶冰, 杨凯, 汪浩. 基于弛豫时间分布法的退役动力电池健康状态评估[J]. 储能科学与技术, 2025, 14(2): 770-778.
[11]	李嘉波, 王志璇, 田迪, 孙中麟. 变模态分解下SSA-LSTM组合的锂离子电池剩余使用寿命预测方法[J]. 储能科学与技术, 2025, 14(2): 659-670.
[12]	张建茹, 王其钰, 姬瑛卉, 高鑫, 禹习谦, 李泓. 俄歇电子能谱在锂离子电池分析中的应用[J]. 储能科学与技术, 2025, 14(2): 755-769.
[13]	王海瑞, 徐长宇, 朱贵富, 侯晓建. 一种并行多尺度特征融合模型开展的基于弛豫电压的锂电池SOH估计研究[J]. 储能科学与技术, 2025, 14(2): 799-811.
[14]	匡智伟, 张振东, 盛雷, 付林祥. 储能用高容量锂离子电池低温快速加热方法研究[J]. 储能科学与技术, 2025, 14(2): 791-798.
[15]	李和雨, 洪小波, 陈子涵, 阮殿波. 多孔隔热板对锂离子电池模组热蔓延阻隔效果研究[J]. 储能科学与技术, 2025, 14(2): 479-487.