隨著鋰離子電池在電動汽車和儲能系統中的廣泛應用，準確估算電池健康狀態（SOH）對于保障系統安全運行和降低維護成本至關重要。然而，傳統方法在噪聲干擾和數據不完整的情況下往往難以達到理想的精度。本文提出了一種創新的混合神經網絡模型，結合降噪自編碼器和門控遞歸單元，有效解決了噪聲數據對電池SOH估計的影響，顯著提升了預測精度和模型的泛化能力。這一研究為電池健康管理提供了新的思路和方法。

研究背景

鋰離子電池因其高能量密度、長循環壽命等優點，在電動汽車、儲能系統等領域得到了廣泛應用。然而，電池在使用過程中會因化學反應、機械應力等因素導致容量衰減和內阻增加，影響其健康狀態。準確估計電池SOH對于保障電池系統的安全運行、優化維護策略以及降低運營成本具有重要意義。

盡管現有的基于模型和數據驅動的方法在電池SOH估計中取得了一定進展，但這些方法往往對傳感器噪聲敏感，且在不同電池數據集上的泛化能力較差。因此，開發一種能夠有效抗干擾且具有強泛化能力的電池SOH估計方法，是當前研究中的一個重要課題。

論文所解決的問題及意義

本文解決了以下關鍵問題：首先，傳感器噪聲會干擾電壓和電流數據，導致特征提取不準確，影響預測精度；其次，實際應用中電池的充放電過程可能不完整，難以獲得完整的充電曲線數據，限制了基于完整數據的特征提取方法的應用；最后，現有模型在不同電池數據集或工況下的泛化能力不足，難以直接應用于多種電池類型，缺乏普適性。

本文提出的DAE-GRU-RNN混合模型，顯著提升抗噪聲能力與估計精度，為電池健康管理提供了一種高效、可靠的解決方案。

論文方法及創新點

基于DAE-GRU-RNN模型的SOH估計方法

本文結合了降噪自編碼器（DAE）和門控遞歸單元（GRU-RNN）的混合神經網絡模型，用于電池SOH的估計。圖1展示了本文提出的稀疏DAE-GRU-RNN預測框架的結構。DAE部分通過無監督學習對帶有噪聲的輸入特征進行降噪處理，提取更穩健的特征信息。這些特征信息隨后被輸入到GRU-RNN部分，利用其強大的時間序列建模能力進行SOH的預測。

圖1 稀疏DAE-GRU-RNN 預測框架

電壓曲線重構：

通過電壓-容量（VC）模型重構恒流充放電曲線，抑制傳感器噪聲。圖2展示了CX-38電池在噪聲倍率為0.03時的測量和模擬Q-V曲線。圖中可以看到，即使在存在噪聲干擾的情況下，通過電壓-容量模型重構的電壓曲線與實際測量的電壓曲線仍然能夠很好地吻合，這表明該電壓重構方法具有較強的抗干擾能力，能夠為后續電池健康狀態（SOH）估計提供可靠的輸入數據。

圖2 CX-38 電池的測量和模擬Q-V 曲線

特征提取：

圖3展示了CS-36電池的增量容量（IC）曲線及其特征提取示意圖。圖中可以看到IC曲線隨著充放電循環次數的增加，其峰值高度降低、位置向高電壓偏移，且面積減小，這些變化反映了電池的老化趨勢。從IC曲線中提取了多個特征值，包括峰值高度、位置和面積等，這些特征值將作為后續SOH估計模型的輸入。

圖3 CS-36 電池IC 曲線及特征

實驗驗證：

論文通過對比實驗和部分充電曲線測試，驗證了DAE-GRU-RNN模型在電池SOH估計中的準確性和泛化能力。實驗結果表明，該模型在噪聲干擾下仍能保持較高的預測精度，其誤差顯著低于其他常見模型（如DNN和GRU-RNN）。此外，即使僅使用部分充電曲線的特征數據，模型也能有效預測電池SOH，盡管誤差有所增加，但整體性能依然優于其他方法。

這些結果表明，DAE-GRU-RNN模型具有較強的魯棒性和泛化能力，適用于多種電池數據集，無需針對每個電池重新調整參數，為實際應用中的電池健康管理提供了有力支持。圖4展示了CS-35電池SOH預測結果，可以看出所提模型取得最好結果。

圖4 CS-35電池SOH 預測結果

結論

本文提出了一種基于降噪自編碼器（DAE）和門控遞歸單元（GRU-RNN）的混合神經網絡模型，用于鋰離子電池SOH的精確估計。通過電壓-容量（VC）模型重構恒流充電階段的電壓曲線，有效減少了傳感器噪聲的干擾，并從電壓曲線和增量容量（IC）曲線中提取相關特征作為模型輸入。DAE對帶噪聲的輸入特征進行無監督訓練，增強了模型的魯棒性。

實驗結果表明，該混合模型在不同電池數據集上具有較高的預測精度和良好的泛化能力，即使在部分充電曲線數據下也能保持較好的估計效果，為電池SOH的準確估計提供了一種有效的解決方案。

團隊介紹

研究人員來自安徽大學人工智能學院、吉林汽車仿真與控制國家重點實驗室及武漢大學電氣工程與自動化學院，團隊針對新能源汽車及儲能系統的鋰離子電池進行建模仿真、狀態估計（荷電狀態、健康狀態、安全狀態）和故障診斷的理論研究和共性技術攻關等工作，致力于解決行業“卡脖子”問題，針對動力及儲能電池實際應用高精度、快速性和可移植性需求，結合大數據模型及人工智能算法，積累了大量的原創性成果。

團隊依托安徽大學人工智能學院“自主無人系統”教育部重點實驗室、“安全人工智能”安徽省重點實驗室，主持參與多項國家級、省部級及企業橫向課題，發表高水平學術論文30余篇，實審、授權發明專利20余項。研發的電池管理系統相關算法在奇瑞汽車、江淮汽車等企業的混合動力汽車及純電動汽車中進行了實車驗證及推廣應用。

第一作者陳媛，安徽大學碩士生導師，中文核心期刊《數據采集與處理》青年編委，IEEE PES 中國區電動汽車委員會動力電池分會理事，北京能源與環境學會專家委員會委員，中國自動化學會人工智能與機器人教育專委會委員，中國自動化學會系統仿真&仿真技術應用專委會委員，中國計算機學會容錯計算專委會委員、第二屆智能電氣、電網和可再生能源國際學術會議分論壇主席。

本工作成果發表在2024年第24期《電工技術學報》，論文標題為“帶降噪自編碼器和門控遞歸混合神經網絡的電池健康狀態估算“。本課題得到國家自然科學基金重點項目和國家重點研發計劃“重大科學儀器設備開發”項目的支持。