基于改进自适应蜜獾算法优化时间卷积网络的车载锂离子电池健康状态估计

张效伟; 衣振晓; 王凯

doi:10.12096/j.2096-4528.pgt.24068

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进自适应蜜獾算法优化时间卷积网络的车载锂离子电池健康状态估计

储能 | 更新时间：2026-06-29

- 基于改进自适应蜜獾算法优化时间卷积网络的车载锂离子电池健康状态估计
- State of Health Estimation of On-Board Lithium-Ion Batteries Using Temporal Convolutional Network Optimized by Improved Self-Adaptive Honey Badger Algorithm
- 发电技术 2025年46卷第6期页码：1154-1163
- 作者机构：
  
  1.中海油石化工程有限公司，山东省济南市 250101
  2.青岛大学电气工程学院，山东省青岛市 266071
  3.青岛大学威海创新研究院，山东省威海市 264200
  4.山东索想智能科技有限公司，山东省潍坊市 261101
- 作者简介：
  
  张效伟(1988)，女，硕士，工程师，研究方向为太阳能热发电技术，420997393@qq.com；
  衣振晓(1997)，男，博士研究生，研究方向为储能技术、新型储能元件、健康状态估计、剩余使用寿命预测，1824164415@qq.com；
  王凯(1985)，男，教授，博士，研究方向为储能技术、新型储能元件、健康状态估计、剩余使用寿命预测，本文通信作者，wkwj888@163.com。
- 基金信息：
  
  国家自然科学基金项目(52037005)
- DOI：10.12096/j.2096-4528.pgt.24068
  中图分类号： TK 02;TM 912
- 收稿：2024-05-13，
  
  修回：2024-07-20，
  
  纸质出版：2025-12-31
- 稿件说明：
移动端阅览
张效伟,衣振晓,王凯.基于改进自适应蜜獾算法优化时间卷积网络的车载锂离子电池健康状态估计[J].发电技术,2025,46(06):1154-1163.

ZHANG Xiaowei,YI Zhenxiao,WANG Kai.State of Health Estimation of On-Board Lithium-Ion Batteries Using Temporal Convolutional Network Optimized by Improved Self-Adaptive Honey Badger Algorithm[J].Power Generation Technology,2025,46(06):1154-1163.
张效伟,衣振晓,王凯.基于改进自适应蜜獾算法优化时间卷积网络的车载锂离子电池健康状态估计[J].发电技术,2025,46(06):1154-1163. DOI： 10.12096/j.2096-4528.pgt.24068.

ZHANG Xiaowei,YI Zhenxiao,WANG Kai.State of Health Estimation of On-Board Lithium-Ion Batteries Using Temporal Convolutional Network Optimized by Improved Self-Adaptive Honey Badger Algorithm[J].Power Generation Technology,2025,46(06):1154-1163. DOI： 10.12096/j.2096-4528.pgt.24068.

摘要

目的

锂离子电池作为新能源汽车的重要动力来源，准确的健康状态(state of health，SOH)估计对于设计安全可靠的汽车电池管理系统至关重要。传统方法普遍存在忽略容量恢复及特征有效性不足等问题，严重影响估算精度。为此，提出了一种虑及电池容量恢复的锂离子电池SOH估算方法。

方法

将中值绝对偏差与Savitzky-Golay滤波相结合，在数据预处理阶段有效去除异常值和噪声以提高特征的有效性，然后进行特征分解，去除冗余信息，减轻模型计算负担。将高度相关的特征作为时间卷积网络模型的输入，降低数据维度并减轻神经网络计算复杂度。提出了一种改进的自适应蜜獾算法以优化网络的超参数，加快模型收敛并提高网络性能。

结果

所提方法具有较高的准确性，均方根误差和平均绝对误差均低于0.007。

结论

所提方法具有较高的鲁棒性，能够对车载锂离子电池SOH进行有效估计，并能满足实际应用需求。

Abstract

Objectives

Lithium-ion batteries

as an important power source for new energy vehicles

require accurate state of health (SOH) estimation to design safe and reliable battery management systems. Traditional methods often overlook issues such as capacity recovery and insufficient feature effectiveness

which significantly affects estimation accuracy. To address these issues

a novel SOH estimation method for lithium-ion batteries that considers battery capacity recovery is proposed.

Methods

By combining the median absolute deviation with the Savitzky-Golay filter in the data preprocessing stage

the model effectively removes outliers and noise to improve the effectiveness of the features. Subsequently

feature decomposition is performed to remove redundant information and alleviate the computational load of the model. Highly correlated features are then selected as inputs for the temporal convolutional network model

reducing data dimensionality and simplifying the computational complexity of the neural network. Furthermore

an improved self-adaptive honey badger algorithm is proposed to optimize the hyperparameters of the network

accelerating model convergence and enhancing network performance.

Results

The proposed method has a high level of accuracy

with both the root mean squared error and the mean absolute error being lower than 0.007.

Conclusions

The proposed method exhibits high robustness

enabling effective SOH estimation of on-board lithium-ion batteries and meeting requirements of practical application.

关键词

Keywords

references

李沂洹，李慷，余渐．锂离子电池荷电状态与健康状态估计方法 [J ] ．发电技术， 2021 ， 42 ( 5 )： 537 - 546 ． doi: 10.12096/j.2096-4528.pgt.21074 http://dx.doi.org/10.12096/j.2096-4528.pgt.21074

LI Y H ， LI K ， YU J ． Estimation approaches for states of charge and health of lithium-ion battery [J ] ． Power Generation Technology ， 2021 ， 42 ( 5 )： 537 - 546 ． doi: 10.12096/j.2096-4528.pgt.21074 http://dx.doi.org/10.12096/j.2096-4528.pgt.21074

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 P ， LI Z W ， CAI Y S ， et al ． Joint estimation method of SOC and SOH based on fusion of equivalent circuit model and data-driven model [J ] ． Transactions of China Electrotechnical Society ， 2024 ， 39 ( 10 )： 3232 - 3243 ．

向铭，何怡刚，张慧．基于改进集成经验模态分解和高斯过程回归的锂离子电池剩余容量及寿命预测方法 [J ] ．电测与仪表， 2023 ， 60 ( 9 )： 27 - 33 ．

XIANG M ， HE Y G ， ZHANG H ． Capacity and remaining useful life prediction of lithium-ion battery based on MEEMD and GPR [J ] ． Electrical Measurement & Instrumentation ， 2023 ， 60 ( 9 )： 27 - 33 ．

宋海飞，王乐红，原义栋，等．基于改进自适应卡尔曼滤波算法的锂离子电池荷电状态估计 [J ] ．电力系统保护与控制， 2024 ， 52 ( 20 )： 72 - 82 ．

SONG H F ， WANG L H ， YUAN Y D ， et al ． State of charge estimation of lithium-ion batteries based on improved adaptive Kalman filter algorithm [J ] ． Power System Protection and Control ， 2024 ， 52 ( 20 )： 72 - 82 ．

步传宇，姜昆，任军，等．基于改进型ASRCKF算法的锂离子电池荷电状态估计 [J ] ．广东电力， 2020 ， 33 ( 10 )： 16 - 25 ．

BU C Y ， JIANG K ， REN J ， et al ． Estimation of SOC of lithium-ion battery based on improved ASRCKF [J ] ． Guangdong Electric Power ， 2020 ， 33 ( 10 )： 16 - 25 ．

李强龙，孙建瑞，赵坤，等．基于IALO-SVR的锂电池健康状态预测 [J ] ．电子测量与仪器学报， 2022 ， 36 ( 1 )： 204 - 211 ．

LI Q L ， SUN J R ， ZHAO K ， et al ． Prediction for the state of health of lithium-ion batteries based on IALO-SVR [J ] ． Journal of Electronic Measurement and Instrumentation ， 2022 ， 36 ( 1 )： 204 - 211 ．

薄利明，郑惠萍，张世锋，等．锂电池健康状态均衡技术综述 [J ] ．电测与仪表， 2023 ， 60 ( 4 )： 11 - 18 ．

BO L M ， ZHENG H P ， ZHANG S F ， et al ． Review on health state equalization technology for lithium batteries [J ] ． Electrical Measurement & Instrumentation ， 2023 ， 60 ( 4 )： 11 - 18 ．

赵珈卉，田立亭，程林．锂离子电池状态估计与剩余寿命预测方法综述 [J ] ．发电技术， 2023 ， 44 ( 1 )： 1 - 17 ．

ZHAO J H ， TIAN L T ， CHENG L ． Review on state estimation and remaining useful life prediction methods for lithium-ion battery [J ] ． Power Generation Technology ， 2023 ， 44 ( 1 )： 1 - 17 ．

BARTLETT A ， MARCICKI J ， ONORI S ， et al ． Electrochemical model-based state of charge and capacity estimation for a composite electrode lithium-ion battery [J ] ． IEEE Transactions on Control Systems Technology ， 2016 ， 24 ( 2 )： 384 - 399 ．

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 http://dx.doi.org/10.1016/j.apenergy.2018.01.011

SALDAÑA G ， MARTÍN J I S ， ZAMORA I ， et al ． Empirical electrical and degradation model for electric vehicle batteries [J ] ． IEEE Access ， 2020 ， 8 ： 155576 - 155589 ． doi: 10.1109/access.2020.3019477 http://dx.doi.org/10.1109/access.2020.3019477

YANG F ， SONG X ， DONG G ， et al ． A coulombic efficiency-based model for prognostics and health estimation of lithium-ion batteries [J ] ． Energy ， 2019 ， 171 ： 1173 - 1182 ． doi: 10.1016/j.energy.2019.01.083 http://dx.doi.org/10.1016/j.energy.2019.01.083

SINGH P ， CHEN C ， TAN C M ， et al ． Semi-empirical capacity fading model for SOH estimation of Li-ion batteries [J ] ． Applied Sciences ， 2019 ， 9 ( 15 )： 3012 ． doi: 10.3390/app9153012 http://dx.doi.org/10.3390/app9153012

LAI X ， WANG S ， MA S ， et al ． Parameter sensitivity analysis and simplification of equivalent circuit model for the state of charge of lithium-ion batteries [J ] ． Electrochimica Acta ， 2020 ， 330 ： 135239 ． doi: 10.1016/j.electacta.2019.135239 http://dx.doi.org/10.1016/j.electacta.2019.135239

CUI Z ， KANG L ， LI L ， et al ． A hybrid neural network model with improved input for state of charge estimation of lithium-ion battery at low temperatures [J ] ． Renewable Energy ， 2022 ， 198 ： 1328 - 1340 ． doi: 10.1016/j.renene.2022.08.123 http://dx.doi.org/10.1016/j.renene.2022.08.123

YU Z ， HUAI R ， LI H ． CPSO-based parameter-identification method for the fractional-order modeling of lithium-ion batteries [J ] ． IEEE Transactions on Power Electronics ， 2021 ， 36 ( 10 )： 11109 - 11123 ． doi: 10.1109/tpel.2021.3073810 http://dx.doi.org/10.1109/tpel.2021.3073810

LI D ， LI S ， ZHANG S ， et al ． Aging state prediction for supercapacitors based on heuristic Kalman filter optimization extreme learning machine [J ] ． Energy ， 2022 ， 250 ： 123773 ． doi: 10.1016/j.energy.2022.123773 http://dx.doi.org/10.1016/j.energy.2022.123773

REN P ， WANG S ， CHEN X ， et al ． Fusion estimation strategy based on dual adaptive Kalman filtering algorithm for the state of charge and state of health of hybrid electric vehicle Li-ion batteries [J ] ． International Journal of Energy Research ， 2022 ， 46 ( 6 )： 7374 - 7388 ． doi: 10.1002/er.7643 http://dx.doi.org/10.1002/er.7643

GOU B ， XU Y ， FENG X ． State-of-health estimation and remaining-useful-life prediction for lithium-ion battery using a hybrid data-driven method [J ] ． IEEE Transactions on Vehicular Technology ， 2020 ， 69 ( 10 )： 10854 - 10867 ． doi: 10.1109/tvt.2020.3014932 http://dx.doi.org/10.1109/tvt.2020.3014932

SEVERSON K A ， ATTIA P M ， JIN N ， et al ． Data-driven prediction of battery cycle life before capacity degradation [J ] ． Nature Energy ， 2019 ， 4 ： 383 - 391 ． doi: 10.1038/s41560-019-0356-8 http://dx.doi.org/10.1038/s41560-019-0356-8

LI Q ， LI D ， ZHAO K ， et al ． State of health estimation of lithium-ion battery based on improved ant lion optimization and support vector regression [J ] ． Journal of Energy Storage ， 2022 ， 50 ： 104215 ． doi: 10.1016/j.est.2022.104215 http://dx.doi.org/10.1016/j.est.2022.104215

SUN H ， SUN J ， ZHAO K ， et al ． Data-driven ICA-Bi-LSTM-combined lithium battery SOH estimation [J ] ． Mathematical Problems in Engineering ， 2022 ， 2022 ( 1 )： 9645892 ． doi: 10.1155/2022/9645892 http://dx.doi.org/10.1155/2022/9645892

尚玉朝，刘春豪，王凯．基于融合优化算法的超级电容器健康状态预测模型 [J/OL ] ．发电技术， 1 - 11 [ 2025-01-17 ] ． http://kns.cnki.net/kcms/detail/33.1405.TK.20250117.1141.002.html http://kns.cnki.net/kcms/detail/33.1405.TK.20250117.1141.002.html . doi: 10.2139/ssrn.5114211 http://dx.doi.org/10.2139/ssrn.5114211

SHANG Y Z ， LIU C H ， WANG K ． Supercapacitor health state prediction model based on fusion optimization algorithm [J/OL ] ． Power Generation Technology ， 1 - 11 [ 2025-01-17 ] ． http://kns.cnki.net/kcms/detail/33.1405.TK.20250117.1141.002.html http://kns.cnki.net/kcms/detail/33.1405.TK.20250117.1141.002.html ． doi: 10.2139/ssrn.5114211 http://dx.doi.org/10.2139/ssrn.5114211

QU W ， SHEN W ， LIU J ． A joint grey relational analysis based state of health estimation for lithium ion batteries considering temperature effects [J ] ． Journal of Energy Storage ， 2021 ， 42 ： 103102 ． doi: 10.1016/j.est.2021.103102 http://dx.doi.org/10.1016/j.est.2021.103102

宋显华，姚全正．基于片段充电数据和DEKF-WNN-WLSTM的锂电池健康状态实时估计 [J ] ．电工技术学报， 2024 ， 39 ( 5 )： 1565 - 1576 ．

SONG X H ， YAO Q Z ． Real-time state of health estimation for lithium-ion batteries based on daily segment charging data and dual extended Kalman filters wavelet neural network-wavelet long short-term memory neural network [J ] ． Transactions of China Electrotechnical Society ， 2024 ， 39 ( 5 )： 1565 - 1576 ．

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 [ 2024-07-16 ] ． http://kns.cnki.net/kcms/detail/33.1405.tk.20240716 http://kns.cnki.net/kcms/detail/33.1405.tk.20240716 . doi: 10.3390/en16155682 http://dx.doi.org/10.3390/en16155682

1502.008. html ． SHI H S ， SUN X W ， WANG K ． Estimation of the state of health of lithium‑ion batteries based on electrochemical impedance spectroscopy [J/OL ] ． Power Generation Technology ， 1 - 15 [ 2024-07-16 ] ． 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 ． doi: 10.3390/en16155682 http://dx.doi.org/10.3390/en16155682

顾菊平，蒋凌，张新松，等．基于特征提取的锂离子电池健康状态评估及影响因素分析 [J ] ．电工技术学报， 2023 ， 38 ( 19 )： 5330 - 5342 ．

GU J P ， JIANG L ， ZHANG X S ， et al ． Estimation and influencing factor analysis of lithium-ion batteries state of health based on features extraction [J ] ． Transactions of China Electrotechnical Society ， 2023 ， 38 ( 19 )： 5330 - 5342 ．

陈璐，于仲安，熊莹燕．不同温度下基于PSO-LSSVM的锂电池SOH估计与RUL预测 [J ] ．传感器与微系统， 2023 ， 42 ( 6 )： 141 - 145 ．

CHEN L ， YU Z A ， XIONG Y Y ． SOH estimation and RUL prediction of Li battery based on PSO-LSSVM at different temperatures [J ] ． Transducer and Microsystem Technologies ， 2023 ， 42 ( 6 )： 141 - 145 ．

胡慧敏，庞知非．车用锂离子电池健康状态估计 [J ] ．汽车实用技术， 2023 ， 48 ( 20 )： 1 - 4 ．

HU H M ， PANG Z F ． State of health estimation of lithium-ion batteries for vehicles [J ] ． Automobile Applied Technology ， 2023 ， 48 ( 20 )： 1 - 4 ．

刘芊彤，邢远秀．基于VMD-PSO-GRU模型的锂离子电池剩余寿命预测 [J ] ．储能科学与技术， 2023 ， 12 ( 1 )： 236 - 246 ．

LIU Q T ， XING Y X ． Remaining life prediction of lithium-ion battery based on VMD-PSO-GRU model [J ] ． Energy Storage Science and Technology ， 2023 ， 12 ( 1 )： 236 - 246 ．

李凯，胡丽，宋婷婷．基于CNN-Bi-LSTM的锂离子电池健康状态估算 [J ] ．山东电力技术， 2023 ， 50 ( 10 )： 66 - 72 ．

LI K ， HU L ， SONG T T ． Health state estimation of lithium-ion batteries based on CNN-Bi-LSTM [J ] ． Shandong Electric Power ， 2023 ， 50 ( 10 )： 66 - 72 ．

LIU C ， ZHANG Y ， SUN J ， et al ． Stacked bidirectional LSTM RNN to evaluate the remaining useful life of supercapacitor [J ] ． International Journal of Energy Research ， 2022 ， 46 ( 3 )： 3034 - 3043 ． doi: 10.1002/er.7360 http://dx.doi.org/10.1002/er.7360

YI Z ， CHEN Z ， YIN K ， et al ． Sensing as the key to the safety and sustainability of new energy storage devices [J ] ． Protection and Control of Modern Power Systems ， 2023 ， 8 ( 1 )： 27 ． doi: 10.1186/s41601-023-00300-2 http://dx.doi.org/10.1186/s41601-023-00300-2

ZHANG H ， GAO J ， KANG L ， et al ． State of health estimation of lithium-ion batteries based on modified flower pollination algorithm-temporal convolutional network [J ] ． Energy ， 2023 ， 283 ： 128742 ． doi: 10.1016/j.energy.2023.128742 http://dx.doi.org/10.1016/j.energy.2023.128742

HASHIM F A ， HOUSSEIN E H ， HUSSAIN K ， et al ． Honey badger algorithm：new metaheuristic algorithm for solving optimization problems [J ] ． Mathematics and Computers in Simulation ， 2022 ， 192 ： 84 - 110 ． doi: 10.1016/j.matcom.2021.08.013 http://dx.doi.org/10.1016/j.matcom.2021.08.013

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

多运行阶段下飞轮储能耦合火电机组调频控制策略

风光水互补发电系统研究综述

氯化物熔盐储热技术应用于新能源发电的研究进展

基于虚拟同步机控制参数自适应调节的储能系统调频方法

锂离子电容器性能分析及其应用