一种基于0.2V窗口特征驱动的级联机器学习流程，用于联合估计锂离子电池的健康状态和剩余使用寿命

《IEEE Journal of Emerging and Selected Topics in Industrial Electronics》：A 0.2V Window Feature-Driven Cascaded Machine Learning Pipeline for Joint State of Health and Remaining Useful Life Estimation of Lithium-ion Batteries

　　机器学习框架通过TCN-GWO-GPR协同优化实现锂离子电池SOH与RUL联合估计，创新性提出基于0.2V电压范围的低复杂度健康指标，利用Savitzky-Golay滤波预测HI轨迹避免数据泄露，GPR结合新型协方差函数估计SOH，GWO优化超参数构建自适应模型，验证误差低至4周期和2.36%，具备高精度与泛化能力。

　　

摘要：

机器学习方法已被证明可用于开发锂离子电池的健康管理策略，例如电池健康状态（SOH）和剩余使用寿命（RUL）的估算。然而，现有方法面临一些挑战，如额外的测试需求、复杂且不具备普遍适用性的健康指标（HI），以及数据泄露问题。为了解决这些问题，本研究提出了一种基于级联时序卷积网络（TCN）- 灰狼优化器（GWO）- 高斯过程回归（GPR）的机器学习框架，该框架能够利用新的健康指标实现对电池SOH和RUL的准确联合估算。首先，通过增量容量分析研究了电化学老化机制。随后，从充电电压中提取了一个包含该老化机制的低复杂度健康指标，其测量范围仅为0.2V。此外，利用TCN和Savitzky-Golay滤波器来预测未来的健康指标变化趋势，从而避免数据泄露。GPR结合了一种新的协方差函数作为输入，用于估算电池SOH；同时，GWO用于调整GPR的超参数，从而形成一个能够自动调整的SOH估算模型，该模型可以预测未来的SOH变化趋势，进而得出电池的RUL。该框架在不同电池上的测试结果显示，平均绝对误差仅为4个周期，平均相对误差为2.36%，证明了其准确性和泛化能力。