基于改进的贫富优化算法的改良MobileNet用于锂离子电池健康状态估计

为何更智能的电池体检至关重要

锂离子电池默默为我们的手机、笔记本、 电动汽车乃至部分电网供电。但像人一样，电池会衰老，如果对其健康状况判断失误，后果可能从令人恼火的续航下降到危险的故障甚至火灾。本文提出了一种新的电池“体征检测”方法，使用一个紧凑的人工智能模型，速度足够快以部署于现实的电池管理系统，同时以极低的误差估计电池健康状态。

追踪电池真实状况

电池组由电池管理系统（BMS）监控，持续观测电压、电流和温度以维持安全范围。其中一项最艰巨的任务是估计健康状态（SOH）——即与新电池相比，电池还剩下多少可用寿命。SOH无法在正常使用中直接测量，只能从这些常规信号中推断。传统基于物理的模型可以很准确，但通常复杂、运行缓慢，并且对电池设计和工况敏感。基于数据的机器学习方法更灵活，然而许多强大的深度学习模型过于臃肿，不适合在车辆或固定储能系统中的小型低功耗芯片上运行。

从原始信号到细微的老化迹象

作者首先对若干知名研究数据集中的锂离子电池真实测试数据进行精细处理，其中包括NASA广泛使用的电池老化实验。在每个充放电循环中，他们以每秒一次的频率记录电压、电流和温度，跨越数千个循环。从这些原始信号中，提取对老化尤其敏感的特征。例如，分析恒流充电过程中电压曲线的形状并计算增量容量曲线，这些曲线能突出显示在每个电压下电荷流动的微小变化。随着电池磨损，这些曲线会在形状和位置上发生细微变化，提供一种内部劣化的指纹。最终得到一组干净、归一化的一维时间序列，可作为神经网络的输入。

为电池信号定制的精简神经网络

为了把这些信号转化为SOH估计，研究将一类轻量级图像识别网络MobileNet进行了改造。作者不是处理图片，而是将模型重构为沿时间进行一维卷积，以便捕捉充电过程中电压和电流演变的时序模式。他们还加入了名为“挤压与激励（Squeeze-and-Excitation）”的小型注意力模块，帮助网络关注最具信息量的信号部分，例如随老化明显移动的电压区段。最后，将输出改为预测连续的SOH值而非分类，并以最小化预测值与真实健康值的差异为目标进行训练。尽管做了这些改进，模型仍然很小：大约110万参数，平均预测时间仅几毫秒。

让算法为参数调优把关

深度学习模型有许多设计选择或超参数：学习率、滤波器数量、丢弃强度等。作者没有手动调参，而是使用一种称为改进贫富优化（Modified Poor and Rich Optimization，MPRO）的元启发式优化器。该算法受社会中富裕群体与贫穷群体互动的启发，维护一组候选超参数并迭代改进。“富”候选会远离“穷”候选，而“穷”候选则向成功者的模式靠拢。论文通过引入混沌映射来增强这一方案，以改善对搜索空间的探索。对于每个候选配置，都训练MobileNet模型并以验证数据上的误差进行评判，MPRO逐步收敛到在准确性与简洁性之间取得平衡的配置。

实际表现如何？

在多块电池和三个独立数据集（NASA、CALCE 和 Oxford）上的测试表明，MPRO-改良MobileNet组合在NASA数据上的均方根误差约为半个百分点，优于若干强有力的替代方法，包括更大的基于Transformer的网络、循环网络、随机森林和支持向量机。即便是最差的单次预测误差也接近一个百分点，这一精度对保修管理、规划电池更换和避免不安全运行都有实际价值。重要的是，该模型在保持这些性能的同时，使用的内存和计算远少于更重的深度学习方法，使其在电动汽车和电网储能设备的嵌入式BMS硬件上具有实用性。

这对日常电池使用意味着什么

对非专业读者来说，关键是这项工作表明，一个聪明而高效的AI能仅凭标准电池系统已经测量的数据，可靠地跟踪电池的“真实年龄”。更好的SOH估计允许汽车制造商和电网运营者在安全前提下延长电池寿命、在问题出现前安排维护，并判断退役电池是否仍适合在低要求场景中继续使用。尽管该方法仍需在噪声更大、真实世界的工况中进行现场验证，它迈出了让电池系统以近临床级精度自我认识的重要一步，在幕后悄然提升安全性、性能和可持续性。

引用: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. An improved MobileNet based on a modified poor and rich optimization algorithm for lithium-ion battery state-of-health estimation. Sci Rep 16, 7689 (2026). https://doi.org/10.1038/s41598-026-38275-3

关键词: 锂离子电池, 健康状态, 电池管理系统, 深度学习, MobileNet