基于TCN-LSTM模型的实车电池健康状态评估方法

doi:10.19562/j.chinasae.qcgc.2025.06.005

汽车工程 ›› 2025, Vol. 47 ›› Issue (6): 1060-1071.doi: 10.19562/j.chinasae.qcgc.2025.06.005

• • 上一篇

基于TCN-LSTM模型的实车电池健康状态评估方法

胡杰^1,^2,³(),王浩杰^1,^2,³,魏敏^1,^2,^3,⁴,王志红^1,^2,³,陈琳^1,^2,³,黄文涛^1,^2,³,康涵锐^1,^2,³

^1.武汉理工大学，现代汽车零部件技术湖北省重点实验室，武汉 430070
^2.武汉理工大学，汽车零部件技术湖北省协同创新中心，武汉 430070
^3.湖北省新能源与智能网联车工程技术研究中心，武汉 430070
^4.上汽通用五菱汽车股份有限公司，柳州 545000

收稿日期:2025-02-07 修回日期:2025-03-20 出版日期:2025-06-25 发布日期:2025-06-20
通讯作者: 胡杰 E-mail:auto_hj@163.com
基金资助:
第二十七届中国科协年会学术论文。广西科技计划项目(2023AA03009)

A TCN-LSTM Model-Based Approach for Real Vehicle Battery Health State Evaluation

Jie Hu^1,^2,³(),Haojie Wang^1,^2,³,Min Wei^1,^2,^3,⁴,Zhihong Wang^1,^2,³,Lin Chen^1,^2,³,Wentao Huang^1,^2,³,Hanrui Kang^1,^2,³

^1.Wuhan University of Technology，Hubei Key Laboratory of Modern Auto Parts Technology，Wuhan 430070
^2.Wuhan University of Technology，Auto Parts Technology Hubei Collaborative Innovation Center，Wuhan 430070
^3.Hubei Technology Research Center of New Energy and Intelligent Connected Vehicle Engineering，Wuhan 430070
^4.SAIC-GM-Wuling Automobile Company Limited，Liuzhou 545000

Received:2025-02-07 Revised:2025-03-20 Online:2025-06-25 Published:2025-06-20
Contact: Jie Hu E-mail:auto_hj@163.com

摘要/Abstract

摘要：

为解决当前实车数据质量差导致的电池健康状态评估结果精度不足的问题，提出了一种基于TCN-LSTM模型的电池健康状态评估方法。首先提出了基于随机搜索算法的恒流充电电压片段提取方法；然后提出了局部加权回归与3阶多项式回归加权融合的方法来拟合电池容量的整体与局部衰减趋势。接着构建并提取与电池老化相关的特征，创新性地提出了经容量保持率修正的累充容量以及满充电压、电池一致性等特征；最后构建了基于TCN-LSTM的动力电池健康状态评估模型，从多维度来提取特征与电池老化之间的关系。结果表明，TCN-LSTM模型可以准确地评估出实车数据下动力电池复杂的容量衰减变化关系，RMSRE仅为0.002 1。

关键词: 电动汽车, SOH, TCN-LSTM, 电池一致性

Abstract:

For the problem of insufficient accuracy in battery state of health （SOH） evaluation caused by the poor quality of real-world vehicle data， in this study a battery health state evaluation method based on the TCN-LSTM model is proposed. Firstly， the random search algorithm is employed to extract constant-current charging voltage segments. Subsequently， a weighted fusion approach combining locally weighted regression and third-order polynomial regression is used to fit the global degradation trend and the local degradation trend of battery capacity. Then， features related to battery aging， including the capacity retention-corrected cumulative charge capacity， fully charged voltage， and battery consistency， are constructed and extracted. Finally， a TCN-LSTM-based evaluation model for battery health state is constructed to explore the relationship between extracted features and battery aging from multiple dimensions. The results show that the TCN-LSTM model effectively evaluates the complex capacity degradation relationship of power batteries under real-world vehicle data， achieving an RMSRE of only 0.002 1.

Key words: electric vehicles, SOH, TCN-LSTM, battery consistency

胡杰,王浩杰,魏敏,王志红,陈琳,黄文涛,康涵锐. 基于TCN-LSTM模型的实车电池健康状态评估方法[J]. 汽车工程, 2025, 47(6): 1060-1071.

Jie Hu,Haojie Wang,Min Wei,Zhihong Wang,Lin Chen,Wentao Huang,Hanrui Kang. A TCN-LSTM Model-Based Approach for Real Vehicle Battery Health State Evaluation[J]. Automotive Engineering, 2025, 47(6): 1060-1071.

图/表 23

表 1

图1

表 2

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

图15

图16

表3

图17

图18

表4

图19

参考文献 19

1	TAO S， MA R， ZHAO Z， et al. Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions［J］. Nature Communications， 2024， 15（1）： 10154.
2	JI G， WANG J， LIANG Z， et al. Direct regeneration of degraded lithium-ion battery cathodes with a multifunctional organic lithium salt［J］. Nature Communications， 2023， 14（1）： 584.
3	XIONG R， LI L， TIAN J. Towards a smarter battery management system： a critical review on battery state of health monitoring methods［J］. Journal of Power Sources， 2018， 405： 18-29.
4	HOSSEININASAB S， LIN C， PISCHINGER S， et al. State-of-health estimation of lithium-ion batteries for electrified vehicles using a reduced-order electrochemical model［J］. Journal of Energy Storage， 2022， 52： 104684.
5	WANG F， ZHAI Z， ZHAO Z， et al. Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis［J］. Nature Communications， 2024， 15（1）： 4332.
6	NG M F， ZHAO J， YAN Q， et al. Predicting the state of charge and health of batteries using data-driven machine learning［J］. Nature Machine Intelligence， 2020， 2（3）： 161-170.
7	WANG Z， ZHAO X， FU L， et al. A review on rapid state of health estimation of lithium-ion batteries in electric vehicles［J］. Sustainable Energy Technologies and Assessments， 2023， 60： 103457.
8	LIU H， LI C， HU X， et al. Multi-modal framework for battery state of health evaluation using open-source electric vehicle data［J］. Nature Communications， 2025， 16（1）： 1137.
9	HONG J， LI K， LIANG F， et al. A novel state of health prediction method for battery system in real-world vehicles based on gated recurrent unit neural networks［J］. Energy， 2024， 289： 129918.
10	ZHAO X， HU J， HU G， et al. A state of health estimation framework based on real-world electric vehicles operating data［J］. Journal of Energy Storage， 2023， 63： 107031.
11	QI Q， LIU W， DENG Z， et al. Battery pack capacity estimation for electric vehicles based on enhanced machine learning and field data［J］. Journal of Energy Chemistry， 2024， 92： 605-618.
12	TANG W， CHEN J， CHEN D. Predicting EV battery state of health using long short term degradation feature extraction and FEA TimeMixer［J］. Scientific Reports， 2025， 15（1）： 2200.
13	TOUGHZAOUI Y， TOOSI S B， CHAOUI H， et al. State of health estimation and remaining useful life assessment of lithium-ion batteries： a comparative study［J］. Journal of Energy Storage， 2022， 51： 104520.
14	TU C， ZHOU F， PAN M. A model with high-precision on proton exchange membrane fuel cell performance degradation prediction based on temporal convolutional network-long short-term memory［J］. International Journal of Hydrogen Energy， 2024， 74： 414-422.
15	SHEN J， MA W， SHU X， et al. Accurate state of health estimation for lithium-ion batteries under random charging scenarios［J］. Energy， 2023， 279： 128092.
16	LI K， ZHOU P， LU Y， et al. Battery life estimation based on cloud data for electric vehicles［J］. Journal of Power Sources， 2020， 468： 228192.
17	MENG J， CAI L， STROE D I， et al. Lithium-ion battery state-of-health estimation in electric vehicle using optimized partial charging voltage profiles［J］. Energy， 2019， 185： 1054-1062.
18	LI Y， STROE D I， CHENG Y， et al. On the feature selection for battery state of health estimation based on charging–discharging profiles［J］. Journal of Energy Storage， 2021， 33： 102122.
19	LIU X， LI S， TIAN J， et al. Health estimation of lithium-ion batteries with voltage reconstruction and fusion model［J］. Energy， 2023， 282： 128216.

缩写	描述
BiGRU	双向门控循环单元
CEEMDAN	经验模态分解
CNN	卷积神经网联
EVs	纯电动汽车
GAM	广义加性模型
GRU	门控循环单元
GPR	高斯过程回归
ICA	容量增量分析
PR	多项式拟合
LOESS	局部加权回归
LSTM	长短时记忆模型
PEMFC	质子交换膜燃料电池
PINN	物理信息神经网络
PSO-ELM	粒子群优化-极限学习机
RNN	循环神经网络
RVM	相关向量机
SOH	电池健康状态
SVM	支持向量机
TCN	时间卷积网络
XGBoost	极限梯度提升

数据名称	数据格式
数据采集时间	yymmdd-hhmmss
车辆标签	XXX_xxx
车辆状态	01 启动，02 熄火，03 其他状态
充电状态	01 停车充电，02 行驶充电， 03 未充电，04 充电完成
车辆运行模式	01 纯电，02 混动，03 燃油
车速	0~220 km/h
累计里程	0~999 999.9 km
总电压	0~10 000 V
总电流	-1 000~1 000 A
SOC	0~100%
单体电压最高值范围	0~15 000，最小单位 0.001 V
单体电压最低值范围	0~15 000，最小单位 0.001 V
最高温度值范围	-40~210 ℃
最低温度值范围	-40~210 ℃

模型	MAE	R²	RMSRE
XGBoost	0.003 9	0.890 4	0.003 7
LSTM	0.002 7	0.933 2	0.002 8
GRU	0.003 0	0.911 8	0.003 1
Transformer	0.001 9	0.950 3	0.002 4
TCN-LSTM	0.001 6	0.962 6	0.002 1

车辆	MAE	R²	RMSRE
Car2	0.001 9	0.917 5	0.002 5
Car3	0.002 7	0.886 1	0.003 4
Car4	0.003 0	0.850 1	0.003 7

[1]	杨阳,章治,许博,董扬. 电动汽车无线充电系统DDDQ型磁耦合结构研究[J]. 汽车工程, 2025, 47(6): 1007-1021.
[2]	张倩文,徐磊,王庆洋,徐胜金. 电动汽车底部流动分离对风阻的动态影响[J]. 汽车工程, 2025, 47(5): 910-919.
[3]	鲁岩松,朱翀,张希. 一种车用高速电机循环冷却油温集总参数模型[J]. 汽车工程, 2025, 47(5): 920-930.
[4]	罗毅,马文彬,苏岭,刘月桥,肖波. 基于R290工质的电动汽车集成式热管理系统性能研究[J]. 汽车工程, 2025, 47(5): 931-939.
[5]	黄晓婷,张海标,李长玉,吕辉,上官文斌. 电动汽车动力总成悬置系统的多输出灵敏度分析[J]. 汽车工程, 2025, 47(4): 746-754.
[6]	郑字琛,王姝,赵轩,李兆柯. 基于混杂模型预测控制的分布式驱动电动汽车AFS/DYC集成控制[J]. 汽车工程, 2025, 47(3): 470-480.
[7]	李琴,李壮,汤建明,王勇,张博远,贺德强. 分布式驱动电动汽车多目标转矩分配策略[J]. 汽车工程, 2025, 47(3): 489-498.
[8]	石琴,侯伟路,张晓楠,吴为教,贺泽佳. 基于三层加权堆叠模型的电动汽车剩余里程预测[J]. 汽车工程, 2025, 47(1): 107-116.
[9]	崔海龙,杜冰,黄秀东,刘凤华,刘雪东,周茂伟. 电动汽车胶粘型电机铁芯加工装备效能优化[J]. 汽车工程, 2025, 47(1): 178-186.
[10]	贺伯林,陈勇,代青林. 基于LADRC的纯电动汽车双离合变速器换挡控制[J]. 汽车工程, 2024, 46(9): 1668-1677.
[11]	周峰,田旭文,李红旗. 混合工质电动汽车空调全生命周期气候性能分析[J]. 汽车工程, 2024, 46(9): 1707-1714.
[12]	钱堃,刘珂,王言夫,厉濠阳,谭璟,沈政华,杜习康,段继英,赵剑. 电动汽车车内声品质评价研究进展[J]. 汽车工程, 2024, 46(8): 1431-1446.
[13]	刘长钊,王坤,宋健,范朔铭,陈祥龙. 开关磁阻电驱动系统机电控协同设计[J]. 汽车工程, 2024, 46(8): 1457-1468.
[14]	李易庭,高泽鹏,李梦梦,王普毅. 实现纹波电流还原的PMSM端口模拟算法[J]. 汽车工程, 2024, 46(8): 1469-1478.
[15]	马龙飞,张宝群,王立永,曾佳妮,焦然,宫成. 基于数字孪生混合储能的电动汽车参与微电网负荷功率波动平抑研究[J]. 汽车工程, 2024, 46(6): 1045-1053.

基于TCN-LSTM模型的实车电池健康状态评估方法

A TCN-LSTM Model-Based Approach for Real Vehicle Battery Health State Evaluation

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 19

相关文章 15

Metrics

本文评价

推荐阅读 0