基于混合特征提取和机器学习的锂离子电池健康状态估计

谢国民; 刘澳

doi:10.7500/AEPS20241105007

您当前的位置：

首页 >

文章列表页 >

基于混合特征提取和机器学习的锂离子电池健康状态估计

学术研究 | 更新时间：2026-02-28

- 基于混合特征提取和机器学习的锂离子电池健康状态估计
- State of Health Estimation for Lithium-ion Batteries Based on Hybrid Feature Extraction and Machine Learning
- 电力系统自动化 2025年49卷第21期页码：120-130
- 作者机构：
  
  辽宁工程技术大学电气与控制工程学院，辽宁省葫芦岛市 125105
- 作者简介：
  
  谢国民(1969—)，男，博士，教授，硕士生导师，主要研究方向：储能技术、电池健康管理、电力系统信息检测与故障诊断。E-mail：lngdxgm@163.com
  刘澳(2001—)，男，通信作者，硕士研究生，主要研究方向：电池健康管理。E-mail：15566702580@163.com
- 基金信息：
  
  国家自然科学基金资助项目(51974151);辽宁省教育厅基础项目(LJKMZ20220683)
- DOI：10.7500/AEPS20241105007
  中图分类号：
- 收稿：2024-11-05，
  
  修回：2025-06-18，
  
  网络首发：2025-07-28，
  
  纸质出版：2025-11-10
- 稿件说明：
移动端阅览
谢国民,刘澳.基于混合特征提取和机器学习的锂离子电池健康状态估计[J].电力系统自动化,2025,49(21):120-130.

XIE Guomin,LIU Ao.State of Health Estimation for Lithium-ion Batteries Based on Hybrid Feature Extraction and Machine Learning[J].Automation of Electric Power Systems,2025,49(21):120-130.
谢国民,刘澳.基于混合特征提取和机器学习的锂离子电池健康状态估计[J].电力系统自动化,2025,49(21):120-130. DOI： 10.7500/AEPS20241105007.

XIE Guomin,LIU Ao.State of Health Estimation for Lithium-ion Batteries Based on Hybrid Feature Extraction and Machine Learning[J].Automation of Electric Power Systems,2025,49(21):120-130. DOI： 10.7500/AEPS20241105007.

摘要

准确

估计锂离子电池的健康状态（SOH）对于推动电动汽车的发展至关重要。然而，复杂的电池老化机制仍然是主要挑战。为此，提出了一种基于混合特征提取和机器学习的SOH估计模型。首先，基于增量容量分析（ICA）和Spearman相关性分析，从经过滑动平均滤波的增量容量（IC）曲线提取特征。其次，从电化学阻抗谱的2种可视化表示（Nyquist图和Bode图）中提取特征。然后，利用

均值聚类方法精简上述特征，并建立基于贝叶斯优化的CNN-BiGRU-Attention网络的SOH估计模型。进一步，通过网络中的1维卷积挖掘原始特征中的深层次信息，并添加了多头注意力机制的BiGRU网络，能够更有效地捕获输入序列中包含电池老化的关键信息，从而估计电池SOH。最后，利用3个不同电极材料的电池数据集进行实验，验证了所提方法的有效性。

Abstract

Accurately estimating the state of health (SOH) of lithium-ion batteries is crucial for promoting the development of electric vehicles. However

the complex battery aging mechanism remains a major challenge. Therefore

an SOH estimation model based on hybrid feature extraction and machine learning is proposed. Firstly

based on incremental capacity analysis (ICA) and Spearman correlation analysis

features are extracted from the incremental capacity (IC) curve after sliding average filtering. Secondly

features are extracted from two visual representations of electrochemical impedance spectroscopy

namely Nyquist plot and Bode plot. Then

the

-means clustering method is used to streamline the above features

and an SOH estimation model is established for the CNN-BiGRU-Attention network based on Bayesian optimization. Furthermore

one-dimensional convolution in the network is used to excavate the deep-level information in the original features. And the bi-directional gated recurrent unit (BiGRU) network with multi-head attention mechanism can capture the key information containing battery aging in the input sequence more effectively to estimate SOH of batteries. Finally

experiments are conducted using battery datasets with three different electrode materials to validate the effectiveness of the proposed method.

关键词

Keywords

references

徐亮 . 锂电池储能电站防消一体化系统设计及控制策略［J］. 太阳能学报， 2022 ， 43 （ 5 ）： 478 - 483 .

XU Liang . Design and control strategy of integrated system of early warming and fire protection for lithium-ion batteries energy storage power station ［J］. Acta Energiae Solaris Sinica ， 2022 ， 43 （ 5 ）： 478 - 483 .

邓聪，林艳 . 退役锂离子电池失效机制研究进展［J］. 中国材料进展， 2024 ， 43 （ 6 ）： 457 - 466 .

DENG Cong ， LIN Yan . Research on failure mechanism of spent lithium-ion batteries ［J］. Materials China ， 2024 ， 43 （ 6 ）： 457 - 466 .

张建茹，王其钰，李庆浩，等 . 锂离子电池失效分析中的几种物性表征技术及其应用［J］. 储能科学与技术， 2025 ， 14 （ 1 ）： 286 - 309 .

ZHANG Jianru ， WANG Qiyu ， LI Qinghao ， et al . Physical characterization techniques and applications in lithium battery failure analysis ［J］. Energy Storage Science and Technology ， 2025 ， 14 （ 1 ）： 286 - 309 .

韩亚露，陈奕戈，邸会芳，等 . 锂离子电池不同服役工况下失效研究进展［J］. 储能科学与技术， 2024 ， 13 （ 4 ）： 1338 - 1349 .

HAN Yalu ， CHEN Yige ， DI Huifang ， et al . Research progress on failure of lithium-ion batteries under different service conditions ［J］. Energy Storage Science and Technology ， 2024 ， 13 （ 4 ）： 1338 - 1349 .

LI Y ， LIU K L ， FOLEY A M ， et al . Data-driven health estimation and lifetime prediction of lithium-ion batteries： a review ［J］. Renewable and Sustainable Energy Reviews ， 2019 ， 113 ： 109254 .

XIA F ， WANG K G ， CHEN J J . State of health and remaining useful life prediction of lithium-ion batteries based on a disturbance-free incremental capacity and differential voltage analysis method ［J］. Journal of Energy Storage ， 2023 ， 64 ： 107161 .

WEI M ， BALAYA P ， YE M ， et al . Remaining useful life prediction for 18650 sodium-ion batteries based on incremental capacity analysis ［J］. Energy ， 2022 ， 261 ： 125151 .

XU Z C ， WANG J ， LUND P D ， et al . Estimation and prediction of state of health of electric vehicle batteries using discrete incremental capacity analysis based on real driving data ［J］. Energy ， 2021 ， 225 ： 120160 .

KEIL P ， SCHUSTER S F ， WILHELM J ， et al . Calendar aging of lithium-ion batteries ［J］. Journal of the Electrochemical Society ， 2016 ， 163 （ 9 ）： A1872 - A1880 .

邓鸿枥，吴松荣，刘齐，等 . 基于改进高斯过程回归的锂离子电池健康状态估计［J/OL］. 电源学报： 1 - 12 ［ 2024-09-30 ］. http：//kns.cnki.net/kcms/detail/12.1420.TM.20240426.0915.008.html http://kns.cnki.net/kcms/detail/12.1420.TM.20240426.0915.008.html .

DENG Hongli ， WU Songrong ， LIU Qi ， et al . State-of-health estimation of lithium-ion batteries based on improved Gaussian process regression ［J/OL］. Journal of Power Supply： 1 - 12 ［ 2024-09-30 ］. http：//kns.cnki.net/kcms/detail/12.1420.TM.20240426.0915.008.html http://kns.cnki.net/kcms/detail/12.1420.TM.20240426.0915.008.html .

ZHAO F M ， GAO D X ， CHENG Y M ， et al . Estimation of lithium-ion battery health state using MHATTCN network with multi-health indicators inputs ［J］. Scientific Reports ， 2024 ， 14 ： 18391 .

方斯顿，刘龙真，孔赖强，等 . 基于双向长短期记忆网络含间接健康指标的锂电池SOH估计［J］. 电力系统自动化， 2024 ， 48 （ 4 ）： 160 - 168 .

FANG Sidun ， LIU Longzhen ， KONG Laiqiang ， et al . State-of-health estimation for lithium-ion batteries incorporating indirect health indicators based on bi-directional long short-term memory networks ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 4 ）： 160 - 168 .

戴俊彦，夏明超，陈奇芳 . 基于双重注意力机制的电池SOH估计和RUL预测编解码模型［J］. 电力系统自动化， 2023 ， 47 （ 6 ）： 168 - 177 .

DAI Junyan ， XIA Mingchao ， CHEN Qifang . Encoding and decoding model of state of health estimation and remaining useful life prediction for batteries based on dual-stage attention mechanism ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 6 ）： 168 - 177 .

崔树辉，周贺，黄振兴，等 . 动力电池梯次利用关键技术与应用综述［J］. 广东电力， 2023 ， 36 （ 1 ）： 9 - 19 .

CUI Shuhui ， ZHOU He ， HUANG Zhenxing ， et al . Review of key technologies and applications of echelon utilization of power batteries ［J］. Guangdong Electric Power ， 2023 ， 36 （ 1 ）： 9 - 19 .

何智峰，陶远哲，胡泳钢，等 . 机器学习强化的电化学阻抗谱技术及其在锂离子电池研究中的应用［J］. 储能科学与技术， 2024 ， 13 （ 9 ）： 2933 - 2951 .

HE Zhifeng ， TAO Yuanzhe ， HU Yonggang ， et al . Machine learning-enhanced electrochemical impedance spectroscopy for lithium-ion battery research ［J］. Energy Storage Science and Technology ， 2024 ， 13 （ 9 ）： 2933 - 2951 .

史宏思，孙新伟，王凯 . 基于电化学阻抗谱的锂离子电池健康状态估计［J/OL］. 发电技术： 1 - 15 ［ 2024-09-30 ］. http：//kns.cnki.net/kcms/detail/33.1405.tk.20240716.1502.008.html http://kns.cnki.net/kcms/detail/33.1405.tk.20240716.1502.008.html .

SHI Hongsi ， SUN Xinwei ， WANG Kai . Health state estimation of lithium-ion batteries based on electrochemical impedance spectroscopy ［J/OL］. Power Generation Technology ： 1 - 15 ［ 2024-09-30 ］. http：//kns.cnki.net/kcms/detail/33.1405.tk.20240716.1502.008.html http://kns.cnki.net/kcms/detail/33.1405.tk.20240716.1502.008.html .

BUCHICCHIO E ， DE ANGELIS A ， SANTONI F ， et al . Battery SOC estimation from EIS data based on machine learning and equivalent circuit model ［J］. Energy ， 2023 ， 283 ： 128461 .

JIANG B ， ZHU J G ， WANG X Y ， et al . A comparative study of different features extracted from electrochemical impedance spectroscopy in state of health estimation for lithium-ion batteries ［J］. Applied Energy ， 2022 ， 322 ： 119502 .

ZHANG Y W ， TANG Q C ， ZHANG Y ， et al . Identifying degradation patterns of lithium-ion batteries from impedance spectroscopy using machine learning ［J］. Nature Communications ， 2020 ， 11 （ 1 ）： 1706 .

JONES P K ， STIMMING U ， LEE A A . Impedance-based forecasting of lithium-ion battery performance amid uneven usage ［J］. Nature Communications ， 2022 ， 13 （ 1 ）： 4806 .

李乐卿，王鹏，孙万洲，等 . 基于锂离子电池容量增量曲线半峰面积的容量在线估计方法［J］. 电工技术学报， 2024 ， 39 （ 17 ）： 5354 - 5364 .

LI Leqing ， WANG Peng ， SUN Wanzhou ， et al . Online capacity estimation method based on half peak area of lithium-ion battery capacity increment curve ［J］. Transactions of China Electrotechnical Society ， 2024 ， 39 （ 17 ）： 5354 - 5364 .

CHOI W ， SHIN H C ， KIM J M ， et al . Modeling and applications of electrochemical impedance spectroscopy （EIS） for lithium-ion batteries ［J］. Journal of Electrochemical Science and Technology ， 2020 ， 11 （ 1 ）： 1 - 13 .

李卓昊，石琼林，王康丽，等 . 锂离子电池健康状态估计方法研究现状与展望［J］. 电力系统自动化， 2024 ， 48 （ 20 ）： 109 - 129 .

LI Zhuohao ， SHI Qionglin ， WANG Kangli ， et al . Research status and prospects of state of health estimation methods for lithium-ion batteries ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 20 ）： 109 - 129 .

ZABARA M A ， KATıRCı G ， CIVAN F E ， et al . Insights into charge transfer dynamics of Li batteries through temperature-dependent electrochemical impedance spectroscopy （EIS） utilizing symmetric cell configuration ［J］. Electrochimica Acta ， 2024 ， 485 ： 144080 .

YU D ， LI X J ， ZHOU F ， et al . Online fault detection and isolation of PEMFC based on EIS and data-driven methods： feasibility study and prospects ［J］. Journal of Power Sources ， 2025 ， 641 ： 236915 .

WANG Z E ， ZHANG H J ， LI B J ， et al . An IMFO-LSTM BiGRU combined network for long-term multiple battery states prediction for electric vehicles ［J］. Energy ， 2024 ， 309 ： 133069 .

CHEN Z ， QIAN Q . DGL-STFA： predicting lithium-ion battery health with dynamic graph learning and spatial-temporal fusion attention ［J］. Energy and AI ， 2025 ， 19 ： 100462 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

计及因果关系增强的锂离子电池健康状态估计方法

基于轻量级梯度提升机的锂离子电池状态联合估计

基于气象数据和深度学习的风机叶片覆冰监测方法