计及因果关系增强的锂离子电池健康状态估计方法

彭里卓; 林达; 汪湘晋; 沈绍斐; 高志海; 杨莉; 林振智

doi:10.7500/AEPS20250323006

您当前的位置：

首页 >

文章列表页 >

计及因果关系增强的锂离子电池健康状态估计方法

学术研究 | 更新时间：2026-02-28

- 计及因果关系增强的锂离子电池健康状态估计方法
- State of Health Estimation Method for Lithium-ion Batteries Considering Causality Enhancement
- 电力系统自动化 2025年49卷第21期页码：108-119
- 作者机构：
  
  1.浙江大学电气工程学院，浙江省杭州市 310027
  2.国网浙江省电力有限公司电力科学研究院，浙江省杭州市 310011
  3.国网浙江省电力有限公司，浙江省杭州市 310007
- 作者简介：
  
  彭里卓(2001—)，男，硕士研究生，主要研究方向：储能电池健康状态估计。E-mail：penglizhuo@zju.edu.cn
  林达(1989—)，男，博士，高级工程师，主要研究方向：储能电池能量管理及新能源接入。E-mail：ld2009ee@163.com
  汪湘晋(1992—)，男，硕士，工程师，主要研究方向：储能电池规划配置及能量管理。E-mail：hfwangxj@126.com
  林振智(1979—)，男，通信作者，博士，教授，博士生导师，主要研究方向：灵活性资源规划与运行、电力系统态势感知、电力大数据与AI应用。E-mail：linzhenzhi@zju.edu.cn
- 基金信息：
  
  国家电网有限公司科技项目(5419-202319467A-3-2-ZN)
- DOI：10.7500/AEPS20250323006
  中图分类号：
- 收稿：2025-03-23，
  
  修回：2025-05-12，
  
  网络首发：2025-08-04，
  
  纸质出版：2025-11-10
- 稿件说明：
移动端阅览
彭里卓,林达,汪湘晋等.计及因果关系增强的锂离子电池健康状态估计方法[J].电力系统自动化,2025,49(21):108-119.

PENG Lizhuo,LIN Da,WANG Xiangjin,et al.State of Health Estimation Method for Lithium-ion Batteries Considering Causality Enhancement[J].Automation of Electric Power Systems,2025,49(21):108-119.
彭里卓,林达,汪湘晋等.计及因果关系增强的锂离子电池健康状态估计方法[J].电力系统自动化,2025,49(21):108-119. DOI： 10.7500/AEPS20250323006.

PENG Lizhuo,LIN Da,WANG Xiangjin,et al.State of Health Estimation Method for Lithium-ion Batteries Considering Causality Enhancement[J].Automation of Electric Power Systems,2025,49(21):108-119. DOI： 10.7500/AEPS20250323006.

摘要

随着新型电力系统的快速发展，锂离子电池等储能技术在高渗透率可再生能源接入中发挥重要作用，快速准确地进行锂离子电池健康状态（SOH）估计有助于提升储能系统的安全性和可靠性。然而，基于相关性分析的传统数据驱动方法存在可解释性不足问题，且难以保障训练样本之外电池SOH估计的准确性和泛化性。为此，提出了一种计及因果关系增强和基于双向门控循环单元网络的锂离子电池SOH估计方法。首先，建立了基于因果-观测融合推演的锂离子电池因果关系增强模型，从电池量测数据构建多时序非线性因果增强特征以提升SOH估计的可解释性和分布内泛化性。接着，计及电池多时序非线性因果增强特征，提出了基于双向门控循环单元网络和不变风险最小化理论的锂离子电池SOH估计方法，以提升SOH估计的准确性和分布外泛化性。最后，以多种锂离子电池实际运行工况数据为例对所提方法进行验证。算例分析结果表明，所提锂离子电池SOH估计方法具有较好的可解释性、准确性和泛化性。

Abstract

With the rapid development of new power system

energy storage technologies such as lithium-ion battery play a crucial role in integrating renewable energy sources with high penetration rates. Rapid and accurate state of health (SOH) estimation of lithium-ion battery helps enhance the safety and reliability of energy storage systems. However

traditional data-driven methods based on correlation analysis suffer from insufficient interpretability and struggle to ensure the accuracy and generalization of battery SOH estimation beyond the training samples. To address this issue

a SOH estimation method for lithium-ion batteries considering causality enhancement and based on bidirectional gated recurrent unit (BiGRU) network is proposed. First

a causality enhancement model for lithium-ion batteries based on causal-observation fusion inference is established. This model constructs multi-temporal nonlinear causality-enhanced features from batteries measurement data to improve the interpretability and in-distribution generalization of SOH estimation. Then

considering the multi-temporal nonlinear causality-enhanced features of the battery

the SOH estimation method for lithium-ion battery based on BiGRU network and invariant risk minimization theory is proposed to enhance the accuracy and out-distribution generalization of SOH estimation. Finally

the proposed method is validated using various actual operational condition data of lithium-ion batteries. Case study results demonstrate that the proposed SOH estimation method for lithium-ion batteries has good interpretability

accuracy

and generalization.

关键词

Keywords

references

唐西胜，李伟，沈晓东 . 面向新型电力系统的储能规划方法研究进展及展望［J］. 电力系统自动化， 2024 ， 48 （ 9 ）： 178 - 191 .

TANG Xisheng ， LI Wei ， SHEN Xiaodong . Research progress and prospect of energy storage planning method for new power system ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 9 ）： 178 - 191 .

TANG X P ， ZOU C F ， WIK T ， et al . Run-to-run control for active balancing of lithium iron phosphate battery packs ［J］. IEEE Transactions on Power Electronics ， 2020 ， 35 （ 2 ）： 1499 - 1512 .

SHEN M ， GAO Q . A review on battery management system from the modeling efforts to its multiapplication and integration ［J］. International Journal of Energy Research ， 2019 ， 43 （ 10 ）： 5042 - 5075 .

蒋帅，陈铖，段砚州，等 . 温度和老化影响下的锂离子电池荷电状态和健康状态联合估计方法研究［J］. 机械工程学报， 2024 ， 60 （ 18 ）： 266 - 275 .

JIANG Shuai ， CHEN Cheng ， DUAN Yanzhou ， et al . Joint estimation of state-of-charge and state-of-health for lithium-ion batteries under the influence of temperature and aging ［J］. Journal of Mechanical Engineering ， 2024 ， 60 （ 18 ）： 266 - 275 .

GHOLIZADEH M ， YAZDIZADEH A . Systematic mixed adaptive observer and EKF approach to estimate SOC and SOH of lithium-ion battery ［J］. IET Electrical Systems in Transportation ， 2020 ， 10 （ 2 ）： 135 - 143 .

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 .

余晓然，谢长君，杨扬，等 . 考虑不确定性量化的质子交换膜燃料电池剩余使用寿命混合预测［J］. 中国电机工程学报， 2025 ， 45 （ 17 ）： 6804 - 6817 .

YU Xiaoran ， XIE Changjun ， YANG Yang ， et al . Remaining useful life hybrid prediction for proton exchange membrane fuel cell considering uncertainty quantification ［J］. Proceedings of the CSEE ， 2025 ， 45 （ 17 ）： 6804 - 6817 .

DENG Z W ， HU X S ， LI P H ， et al . Data-driven battery state of health estimation based on random partial charging data ［J］. IEEE Transactions on Power Electronics ， 2022 ， 37 （ 5 ）： 5021 - 5031 .

熊庆，邸振国，汲胜昌 . 锂离子电池健康状态估计及寿命预测研究进展综述［J］. 高电压技术， 2024 ， 50 （ 3 ）： 1182 - 1195 .

XIONG Qing ， DI Zhenguo ， JI Shengchang . Review on health state estimation and life prediction of lithium-ion batteries ［J］. High Voltage Engineering ， 2024 ， 50 （ 3 ）： 1182 - 1195 .

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 .

CAO M ， ZHANG T ， WANG J ， et al . A deep belief network approach to remaining capacity estimation for lithium-ion batteries based on charging process features ［J］. Journal of Energy Storage ， 2022 ， 48 ： 103825 .

李鹏，葛儒哲，董存，等 . 基于转置Transformer模型的电化学储能自适应SOH估计方法［J］. 高电压技术， 2025 ， 51 （ 6 ）： 2945 - 2954 .

LI Peng ， GE Ruzhe ， DONG Cun ， et al . Adaptive SOH estimation method based on the transpose Transformer model for electrochemical energy storage ［J］. High Voltage Engineering ， 2025 ， 51 （ 6 ）： 2945 - 2954 .

李家宁，熊睿彬，兰艳艳，等 . 因果机器学习的前沿进展综述［J］. 计算机研究与发展， 2023 ， 60 （ 1 ）： 59 - 84 .

LI Jianing ， XIONG Ruibin ， LAN Yanyan ， et al . Overview of the frontier progress of causal machine learning ［J］. Journal of Computer Research and Development ， 2023 ， 60 （ 1 ）： 59 - 84 .

张广伦，钟海旺 . 基于改进FCI算法的电力负荷-气象数据因果关系图辨识［J］. 中国电机工程学报， 2025 ， 45 （ 17 ）： 6612 - 6625 .

ZHANG Guanglun ， ZHONG Haiwang . Casual relationship identification between power system load and meteorological data based on improved FCI algorithm ［J］. Proceedings of the CSEE ， 2025 ， 45 （ 17 ）： 6612 - 6625 .

叶林，裴铭，路朋，等 . 基于天气分型的短期光伏功率组合预测方法［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 44 - 54 .

YE Lin ， PEI Ming ， LU Peng ， et al . Combination forecasting method of short-term photovoltaic power based on weather classification ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 44 - 54 .

李龙飞，钟海旺，张广伦，等 . 基于因果分析的行业月度电量预测方法［J］. 电网技术， 2023 ， 47 （ 9 ）： 3629 - 3638 .

LI Longfei ， ZHONG Haiwang ， ZHANG Guanglun ， et al . Monthly sectoral electricity demand prediction based on causal analysis ［J］. Power System Technology ， 2023 ， 47 （ 9 ）： 3629 - 3638 .

李鹏，黄文琦，王鑫，等 . 数据与知识联合驱动的人工智能方法在电力调度中的应用综述［J］. 电力系统自动化， 2024 ， 48 （ 1 ）： 160 - 175 .

LI Peng ， HUANG Wenqi ， WANG Xin ， et al . Review on application of combined data-knowledge-driven artificial intelligence methods in power dispatching ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 1 ）： 160 - 175 .

穆钢，陈奇，刘洪波，等 . 揭示电力系统运行数据中因果关系的逆信息熵因果推理方法［J］. 中国电机工程学报， 2022 ， 42 （ 15 ）： 5406 - 5417 .

MU Gang ， CHEN Qi ， LIU Hongbo ， et al . A reciprocal information entropy causal inference method for exploring the cause-effect relationship in power system operation data ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 15 ）： 5406 - 5417 .

TIAN Y ， HE J B ， PENG Z ， et al . Lithium-ion battery degradation and capacity prediction model considering causal feature ［J］. IEEE Transactions on Transportation Electrification ， 2022 ， 8 （ 3 ）： 3630 - 3647 .

贺鸿杰，张宁，杜尔顺，等 . 电网侧大规模电化学储能运行效率及寿命衰减建模方法综述［J］. 电力系统自动化， 2020 ， 44 （ 12 ）： 193 - 207 .

HE Hongjie ， ZHANG Ning ， DU Ershun ， et al . Review on modeling method for operation efficiency and lifespan decay of large-scale electrochemical energy storage on power grid side ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 12 ）： 193 - 207 .

XU B L ， ZHAO J Y ， ZHENG T X ， et al . Factoring the cycle aging cost of batteries participating in electricity markets ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 2 ）： 2248 - 2259 .

SMITH K ， SAXON A ， KEYSER M ， et al . Life prediction model for grid-connected Li-ion battery energy storage system ［C］// 2017 American Control Conference ， May 24-26 ， 2017 ， Seattle， USA ： 4062 - 4068 .

GERHARDUS A ， RUNGE J . High-recall causal discovery for autocorrelated time series with latent confounders ［C］// International Conference on Neural Information Processing Systems ， December 6-12 ， 2020 ， Vancouver， Canada ： 12615 - 12625 .

RUNGE J . Necessary and sufficient graphical conditions for optimal adjustment sets in causal graphical models with hidden variables ［C］// International Conference on Neural Information Processing Systems ， December 6-14 ， 2021 .

ZHENG Y X ， HU J X ， CHEN J J ， et al . State of health estimation for lithium battery random charging process based on CNN-GRU method ［J］. Energy Reports ， 2023 ， 9 ： 1 - 10 .

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 .

YIN Z X ， WANG J K ， XIAO Y S ， et al . Improving deepfake detection generalization by invariant risk minimization ［J］. IEEE Transactions on Multimedia ， 2024 ， 26 ： 6785 - 6798 .

NASA Ames Research Center . Battery data set ［EB/OL］. ［ 2025-03-01 ］. https：//phm-datasets.s3.amazonaws.com/NAS A/5.+B-attery+Data+Set.zip https://phm-datasets.s3.amazonaws.com/NASA/5.+B-attery+Data+Set.zip .

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

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

基于轻量级梯度提升机的锂离子电池状态联合估计

基于Copula时空相关性模型的新能源容量置信度准时序评估

基于缓冲函数和阻尼切换的构网型储能参数自适应调整方法