安徽大学等单位学者提出带降噪自编码器和门控递归混合神经网络的电池健康状态估算

阅读提示：本文约 2800 字

随着锂离子电池在电动汽车和储能系统中的广泛应用，准确估算电池健康状态（SOH）对于保障系统安全运行和降低维护成本至关重要。然而，传统方法在噪声干扰和数据不完整的情况下往往难以达到理想的精度。本文提出了一种创新的混合神经网络模型，结合降噪自编码器和门控递归单元，有效解决了噪声数据对电池SOH估计的影响，显著提升了预测精度和模型的泛化能力。这一研究为电池健康管理提供了新的思路和方法。

研究背景

锂离子电池因其高能量密度、长循环寿命等优点，在电动汽车、储能系统等领域得到了广泛应用。然而，电池在使用过程中会因化学反应、机械应力等因素导致容量衰减和内阻增加，影响其健康状态。准确估计电池SOH对于保障电池系统的安全运行、优化维护策略以及降低运营成本具有重要意义。

尽管现有的基于模型和数据驱动的方法在电池SOH估计中取得了一定进展，但这些方法往往对传感器噪声敏感，且在不同电池数据集上的泛化能力较差。因此，开发一种能够有效抗干扰且具有强泛化能力的电池SOH估计方法，是当前研究中的一个重要课题。

论文所解决的问题及意义

本文解决了以下关键问题：首先，传感器噪声会干扰电压和电流数据，导致特征提取不准确，影响预测精度；其次，实际应用中电池的充放电过程可能不完整，难以获得完整的充电曲线数据，限制了基于完整数据的特征提取方法的应用；最后，现有模型在不同电池数据集或工况下的泛化能力不足，难以直接应用于多种电池类型，缺乏普适性。

本文提出的DAE-GRU-RNN混合模型，显著提升抗噪声能力与估计精度，为电池健康管理提供了一种高效、可靠的解决方案。

论文方法及创新点

基于DAE-GRU-RNN模型的SOH估计方法

本文结合了降噪自编码器（DAE）和门控递归单元（GRU-RNN）的混合神经网络模型，用于电池SOH的估计。图1展示了本文提出的稀疏DAE-GRU-RNN预测框架的结构。DAE部分通过无监督学习对带有噪声的输入特征进行降噪处理，提取更稳健的特征信息。这些特征信息随后被输入到GRU-RNN部分，利用其强大的时间序列建模能力进行SOH的预测。

图1 稀疏DAE-GRU-RNN 预测框架

电压曲线重构：

通过电压-容量（VC）模型重构恒流充放电曲线，抑制传感器噪声。图2展示了CX-38电池在噪声倍率为0.03时的测量和模拟Q-V曲线。图中可以看到，即使在存在噪声干扰的情况下，通过电压-容量模型重构的电压曲线与实际测量的电压曲线仍然能够很好地吻合，这表明该电压重构方法具有较强的抗干扰能力，能够为后续电池健康状态（SOH）估计提供可靠的输入数据。

图2 CX-38 电池的测量和模拟Q-V 曲线

特征提取：

图3展示了CS-36电池的增量容量（IC）曲线及其特征提取示意图。图中可以看到IC曲线随着充放电循环次数的增加，其峰值高度降低、位置向高电压偏移，且面积减小，这些变化反映了电池的老化趋势。从IC曲线中提取了多个特征值，包括峰值高度、位置和面积等，这些特征值将作为后续SOH估计模型的输入。

图3 CS-36 电池IC 曲线及特征

实验验证：

论文通过对比实验和部分充电曲线测试，验证了DAE-GRU-RNN模型在电池SOH估计中的准确性和泛化能力。实验结果表明，该模型在噪声干扰下仍能保持较高的预测精度，其误差显著低于其他常见模型（如DNN和GRU-RNN）。此外，即使仅使用部分充电曲线的特征数据，模型也能有效预测电池SOH，尽管误差有所增加，但整体性能依然优于其他方法。

这些结果表明，DAE-GRU-RNN模型具有较强的鲁棒性和泛化能力，适用于多种电池数据集，无需针对每个电池重新调整参数，为实际应用中的电池健康管理提供了有力支持。图4展示了CS-35电池SOH预测结果，可以看出所提模型取得最好结果。

图4 CS-35电池SOH 预测结果

结论

本文提出了一种基于降噪自编码器（DAE）和门控递归单元（GRU-RNN）的混合神经网络模型，用于锂离子电池SOH的精确估计。通过电压-容量（VC）模型重构恒流充电阶段的电压曲线，有效减少了传感器噪声的干扰，并从电压曲线和增量容量（IC）曲线中提取相关特征作为模型输入。DAE对带噪声的输入特征进行无监督训练，增强了模型的鲁棒性。

实验结果表明，该混合模型在不同电池数据集上具有较高的预测精度和良好的泛化能力，即使在部分充电曲线数据下也能保持较好的估计效果，为电池SOH的准确估计提供了一种有效的解决方案。

团队介绍

研究人员来自安徽大学人工智能学院、吉林汽车仿真与控制国家重点实验室及武汉大学电气工程与自动化学院，团队针对新能源汽车及储能系统的锂离子电池进行建模仿真、状态估计（荷电状态、健康状态、安全状态）和故障诊断的理论研究和共性技术攻关等工作，致力于解决行业“卡脖子”问题，针对动力及储能电池实际应用高精度、快速性和可移植性需求，结合大数据模型及人工智能算法，积累了大量的原创性成果。

团队依托安徽大学人工智能学院“自主无人系统”教育部重点实验室、“安全人工智能”安徽省重点实验室，主持参与多项国家级、省部级及企业横向课题，发表高水平学术论文30余篇，实审、授权发明专利20余项。研发的电池管理系统相关算法在奇瑞汽车、江淮汽车等企业的混合动力汽车及纯电动汽车中进行了实车验证及推广应用。

第一作者陈媛，安徽大学硕士生导师，中文核心期刊《数据采集与处理》青年编委，IEEE PES 中国区电动汽车委员会动力电池分会理事，北京能源与环境学会专家委员会委员，中国自动化学会人工智能与机器人教育专委会委员，中国自动化学会系统仿真&仿真技术应用专委会委员，中国计算机学会容错计算专委会委员、第二届智能电气、电网和可再生能源国际学术会议分论坛主席。

本工作成果发表在2024年第24期《电工技术学报》，论文标题为“带降噪自编码器和门控递归混合神经网络的电池健康状态估算“。本课题得到国家自然科学基金重点项目和国家重点研发计划“重大科学仪器设备开发”项目的支持。

引用本文

陈媛, 段文献, 何怡刚, 黄小贺. 带降噪自编码器和门控递归混合神经网络的电池健康状态估算[J]. 电工技术学报, 2024, 39(24): 7933-7949. Chen Yuan, Duan Wenxian, He Yigang, Huang Xiaohe. State of Health Estimation of Lithium Ion Battery Based on Denoising Autoencoder-Gated Recurrent Unit. Transactions of China Electrotechnical Society, 2024, 39(24): 7933-7949.

阅读全文

中国电工技术学会

新媒体平台

学会官方微信

电工技术学报

CES电气

学会官方B站

CES TEMS

今日头条号

学会科普微信

大赛官方微信

☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（英文）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ “电工技术学报”微信号运营编辑：13121222619（微信同号） ☎️ “CES电气”微信号运营编辑：18500877291（微信同号）