Joint Estimation of Lithium-ion Battery State Based on Light Gradient Boosting Machine

PANG Songyan; XIAO Chuanliang; PENG Ke; ZHOU Qiang; CHEN Jiajia; ZHANG Xinhui

doi:10.7500/AEPS20250120004

您当前的位置：

首页 >

文章列表页 >

Joint Estimation of Lithium-ion Battery State Based on Light Gradient Boosting Machine

Basic Research | 更新时间：2026-02-28

- Joint Estimation of Lithium-ion Battery State Based on Light Gradient Boosting Machine
- Automation of Electric Power Systems Vol. 49, Issue 20, Pages: 200-207(2025)
- 作者机构：
  
  山东理工大学电气与电子工程学院，山东省淄博市 255000
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52377110);Shandong Provincial Natural Science Foundation of China(ZR2024QE034)
- DOI：10.7500/AEPS20250120004
  CLC：
- Received：20 January 2025，
  
  Revised：2025-05-17，
  
  Online First：07 August 2025，
  
  Published：25 October 2025
- 稿件说明：
移动端阅览
庞松岩,肖传亮,彭克等.基于轻量级梯度提升机的锂离子电池状态联合估计[J].电力系统自动化,2025,49(20):200-207.

PANG Songyan,XIAO Chuanliang,PENG Ke,et al.Joint Estimation of Lithium-ion Battery State Based on Light Gradient Boosting Machine[J].Automation of Electric Power Systems,2025,49(20):200-207.
庞松岩,肖传亮,彭克等.基于轻量级梯度提升机的锂离子电池状态联合估计[J].电力系统自动化,2025,49(20):200-207. DOI： 10.7500/AEPS20250120004.

PANG Songyan,XIAO Chuanliang,PENG Ke,et al.Joint Estimation of Lithium-ion Battery State Based on Light Gradient Boosting Machine[J].Automation of Electric Power Systems,2025,49(20):200-207. DOI： 10.7500/AEPS20250120004.

摘要

锂离子电池作为储能系统的重要组成部分，其荷电状态(SOC)和健康状态(SOH)的准确估计对提高电池的使用效率和安全性至关重要。为实现对锂电池SOC和SOH的精确估计，文中提出一种将轻量级梯度提升机(LightGBM)、卷积神经网络(CNN)与双向长短期记忆(BiLSTM)网络相结合的锂离子电池SOC与SOH联合估计方法。首先，基于锂电池充电电压、充电时间以及电池表面温度等参数，提出了基于肯德尔相关系数的健康因子提取方法。其次，提出了CNN与BiLSTM网络相结合的SOH时序估计方法，通过局部特征提取与双向时序建模的结合提高了SOH的估计精度。再次，文中将SOH估计值作为SOC估计的输入特征，针对储能系统中锂离子电池大规模数据的处理需求，采用基于梯度提升框架的LightGBM算法实现SOC与SOH的联合估计，提升了估计的计算效率与响应速度。最后，基于实际电池数据集对所提联合估计模型进行验证，结果表明其具有较高的计算精度和较快的计算速度。

Abstract

As a critical component of energy storage systems

the accurate estimation of the state of charge (SOC) and state of health (SOH) of lithium-ion battery is essential for improving battery usage efficiency and safety. To achieve precise estimation of SOC and SOH of lithium-ion batteries

this paper proposes a joint estimation method that combines light gradient boosting machine (LightGBM)

convolutional neural network (CNN)

and bidirectional long short-term memory (BiLSTM) network. Firstly

based on parameters such as charging voltage

charging time

and surface temperature of lithium-ion batteries

a health factor extraction method using the Kendall correlation coefficient is proposed. Secondly

a temporal SOH estimation approach integrating CNN and BiLSTM networks is introduced

which enhances estimation accuracy through the combination of local feature extraction and bidirectional temporal modeling. Furthermore

the estimated SOH values are used as input features for SOC estimation. To address the need for processing large-scale data of lithium-ion batteries in energy storage systems

the LightGBM algorithm

based on a gradient boosting framework

is employed to achieve joint estimation of SOC and SOH

thereby improving computational efficiency and response speed. Finally

the proposed joint estimation model is validated by real battery datasets

and the results demonstrate its high computational accuracy and fast computation speed.

关键词

Keywords

references

胡博，谢开贵，邵常政，等 . 双碳目标下新型电力系统风险评述：特征，指标及评估方法［J］. 电力系统自动化， 2023 ， 47 （ 5 ）： 1 - 15 .

HU Bo ， XIE Kaigui ， SHAO Changzheng ， et al . Commentary on risk of new power system under goals of carbon emission peak and carbon neutrality： characteristics， indices and assessment methods ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 5 ）： 1 - 15 .

郭向伟，王晨，钱伟，等 . 电池储能系统均衡方法研究综述［J］. 电工技术学报， 2024 ， 39 （ 13 ）： 4204 - 4225 .

GUO Xiangwei ， WANG Chen ， QIAN Wei ， et al . A review of equalization methods for battery energy storage system ［J］. Transactions of China Electro-technical Society ， 2024 ， 39 （ 13 ）： 4204 - 4225 .

李姚旺，张宁，张世旭，等 . 面向电力系统的多能源云储能模式：基本概念与研究展望［J］. 中国电机工程学报， 2023 ， 43 （ 6 ）： 2179 - 2189 .

LI Yaowang ， ZHANG Ning ， ZHANG Shixu ， et al . Multi-energy cloud energy storage for power systems： basic concepts and research prospects ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 6 ）： 2179 - 2189 .

WASEEM M ， AHMAD M ， PARVEEN A ， et al . Battery technologies and functionality of battery management system for EVs： current status， key challenges， and future prospectives ［J］. Journal of Power Sources ， 2023 ， 580 ： 233349 .

RIVERA-BARRERA J ， MUÑOZ-GALEANO N ， SARMIENTO-MALDONADO H . SoC estimation for lithium-ion batteries： review and future challenges ［J］. Electronics ， 2017 ， 6 （ 4 ）： 102 .

YANG B ， QIAN Y C ， LI Q ， et al . Critical summary and perspectives on state-of-health of lithium-ion battery ［J］. Renewable and Sustainable Energy Reviews ， 2024 ， 190 ： 114077 .

ADAIKKAPPAN M ， SATHIYAMOORTHY N . Modeling， state of charge estimation， and charging of lithium-ion battery in electric vehicle： a review ［J］. International Journal of Energy Research ， 2022 ， 46 （ 3 ）： 2141 - 2165 .

WANG Z L ， FENG G J ， LIU X W ， et al . A novel method of parameter identification and state of charge estimation for lithium-ion battery energy storage system ［J］. Journal of Energy Storage ， 2022 ， 49 ： 104124 .

CUI Z H ， WANG L C ， LI Q ， et al . A comprehensive review on the state of charge estimation for lithium-ion battery based on neural network ［J］. International Journal of Energy Research ， 2022 ， 46 （ 5 ）： 5423 - 5440 .

SHEHAB EL DIN M ， HUSSEIN A A ， ABDEL-HAFEZ M F . Improved battery SOC estimation accuracy using a modified UKF with an adaptive cell model under real EV operating conditions ［J］. IEEE Transactions on Transportation Electrification ， 2018 ， 4 （ 2 ）： 408 - 417 .

TANG A H ， HUANG Y K ， LIU S M ， et al . A novel lithium-ion battery state of charge estimation method based on the fusion of neural network and equivalent circuit models ［J］. Applied Energy ， 2023 ， 348 ： 121578 .

HONG J C ， WANG Z P ， CHEN W ， et al . Online joint-prediction of multi-forward-step battery SOC using LSTM neural networks and multiple linear regression for real-world electric vehicles ［J］. Journal of Energy Storage ， 2020 ， 30 ： 101459 .

IURILLI P ， BRIVIO C ， CARRILLO R E ， et al . Physics-based SoH estimation for Li-ion cells ［J］. Batteries ， 2022 ， 8 （ 11 ）： 204 .

DEMIRCI O ， TASKIN S ， SCHALTZ E ， et al . Review of battery state estimation methods for electric vehicles： Part Ⅱ SOH estimation ［J］. Journal of Energy Storage ， 2024 ， 96 ： 112703 .

BI Y L ， YIN Y L ， CHOE S Y . Online state of health and aging parameter estimation using a physics-based life model with a particle filter ［J］. Journal of Power Sources ， 2020 ， 476 ： 228655 .

张慧颖，王军华，丁汀，等 . 基于多指标的CNN-LSTM锂电池SOH估计模型［J］. 电源技术， 2023 ， 47 （ 10 ）： 1303 - 1307 .

ZHANG Huiying ， WANG Junhua ， DING Ting ， et al . Multi-indicator based CNN-LSTM Li-ion battery SOH estimation model ［J］. Chinese Journal of Power Sources ， 2023 ， 47 （ 10 ）： 1303 - 1307 .

董明，李晓枫，熊锦晨，等 . 基于自放电阻抗变化的锂电池存储容量衰减评估技术［J］. 中国电机工程学报， 2025 ， 45 （ 3 ）： 1052 - 1063 .

DONG Ming ， LI Xiaofeng ， XIONG Jinchen ， et al . Evaluation of lithium battery storage capacity degradation based on self-discharge impedance change ［J］. Proceedings of the CSEE ， 2025 ， 45 （ 3 ）： 1052 - 1063 .

VENNAM G ， SAHOO A . A dynamic SOH-coupled lithium-ion cell model for state and parameter estimation ［J］. IEEE Transactions on Energy Conversion ， 2023 ， 38 （ 2 ）： 1186 - 1196 .

WANG C Y ， CUI N X ， CUI Z R ， et al . Fusion estimation of lithium-ion battery state of charge and state of health considering the effect of temperature ［J］. Journal of Energy Storage ， 2022 ， 53 ： 105075 .

TIAN J P ， XIONG R ， SHEN W X ， et al . Flexible battery state of health and state of charge estimation using partial charging data and deep learning ［J］. Energy Storage Materials ， 2022 ， 51 ： 372 - 381 .

LI J B ， YE M ， GAO K P ， et al . Joint estimation of state of charge and state of health for lithium-ion battery based on dual adaptive extended Kalman filter ［J］. International Journal of Energy Research ， 2021 ， 45 （ 9 ）： 13307 - 13322 .

刘萍，李泽文，蔡雨思，等 . 基于等效电路模型和数据驱动模型融合的SOC和SOH联合估计方法［J］. 电工技术学报， 2024 ， 39 （ 10 ）： 3232 - 3243 .

LIU Ping ， LI Zewen ， CAI Yusi ， et al . Joint estimation method of SOC and SOH based on fusion of equivalent circuit model and data-driven model ［J］. Transactions of China Electro technical Society ， 2024 ， 39 （ 10 ）： 3232 - 3243 .

王萍，范凌峰，程泽 . 基于健康特征参数的锂离子电池SOH和RUL联合估计方法［J］. 中国电机工程学报， 2022 ， 42 （ 4 ）： 1523 - 1534 .

WANG Ping ， FAN Lingfeng ， CHENG Ze . A joint state of health and remaining useful life estimation approach for lithium-ion batteries based on health factor parameter ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 4 ）： 1523 - 1534 .

BIRKL C . Diagnosis and prognosis of degradation in lithium-ion batteries ［D］. Oxford， UK ： University of Oxford ， 2017 ．

张琪 . 基于肯德尔相关系数的函数型数据相关性检验［D］. 长春：东北师范大学， 2020 .

ZHANG Qi . Correlation test of functional data based on Kendall correlation coefficient ［D］. Changchun ： Northeast Normal University ， 2020 .

马梓程 . 基于贝叶斯优化的LSTM模型在动力电池SoC估算中的应用［D］. 镇江：江苏大学， 2020 .

MA Zicheng . Application of LSTM model based on Bayesian optimization in SoC estimation of power battery ［D］. Zhenjiang ： Jiangsu University ， 2020 .

李超然，肖飞，樊亚翔，等 . 基于深度学习的锂离子电池SOC和SOH联合估算［J］. 中国电机工程学报， 2021 ， 41 （ 2 ）： 681 - 692 .

LI Chaoran ， XIAO Fei ， FAN Yaxiang ， et al . Joint estimation of the state of charge and the state of health based on deep learning for lithium-ion batteries ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 2 ）： 681 - 692 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

State of Health Estimation for Lithium-ion Batteries Based on Hybrid Feature Extraction and Machine Learning

State of Health Estimation Method for Lithium-ion Batteries Considering Causality Enhancement

Bi-level Optimization Strategy of Grid-side Multiple Energy Storage Stations Considering Available Capacity and Frequency Regulation Cost

Encoding and Decoding Model of State of Health Estimation and Remaining Useful Life Prediction for Batteries Based on Dual-stage Attention Mechanism

Related Author

PANG Songyan

XIAO Chuanliang

PENG Ke

XIE Guomin

LIU Ao

PENG Lizhuo

LIN Da

WANG Xiangjin

Related Institution

Faculty of Electrical and Control Engineering, Liaoning Technical University

College of Electrical Engineering, Zhejiang University

Electric Power Research Institute of State Grid Zhejiang Electric Power Co., Ltd.

State Grid Zhejiang Electric Power Co., Ltd.

Key Laboratory of Modern Power System Simulation and Control & Renewable Energy Technology, Ministry of Education (Northeast Electric Power University)

⁰