融合超声数据与混合机器学习的蓄电池健康状态评估

魏冰凌; 唐丽; 周昕; 牛紫萱; 安盛东

doi:10.12404/j.issn.1671-1815.2501568

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (1) :205-215 DOI: 10.12404/j.issn.1671-1815.2501568

电工技术

融合超声数据与混合机器学习的蓄电池健康状态评估

魏冰凌 ¹ ,
唐丽 ¹^,^* ,
周昕 ² ,
牛紫萱 ² ,
安盛东 ³

作者信息 +

Evaluation of Battery Health by Fusion of Ultrasonic Data and Hybrid Machine Learning

WEI Bing-ling ¹ ,
TANG Li ¹^,^* ,
ZHOU Xin ² ,
NIU Zi-xuan ² ,
AN Sheng-dong ³

Author information +

文章历史 +

摘要

为全面评估站用2 V/500 AH蓄电池健康状态(state of health,SOH)以延长电池寿命和提高监测准确性,通过正交实验分析温度、充放电电流和放电深度的影响,结合超声无损检测技术捕捉电极微观变化,采用希尔伯特黄变换(Hilbert-Huang transform,HHT)降噪并构建灰狼优化算法-人工神经网络(grey wolf optimizer-artificial neural network, GWO-ANN)模型实现SOH高精度预测。实验表明,温度每升高10 ℃缩短寿命40%~50%,放电深度50%时寿命为100%时的3倍;HHT-GWO-ANN模型预测精度(R²=0.941)显著优于ANN模型(R²=0.749),复杂工况下准确率超90%。提出的超声无损检测与HHT-GWO-ANN模型相结合的方法,为蓄电池SOH评估提供了高精度、非破坏性解决方案,“浅充浅放”策略可延长电池寿命20%以上,对电池寿命延长和智能监测具有重要价值。

Abstract

In order to comprehensively assess the state of health (SOH) of station-use 2 V/500 AH batteries to prolong the battery life and improve the monitoring accuracy. The effects of temperature, charge/discharge current and discharge depth were analyzed through orthogonal experiments, combined with ultrasonic nondestructive testing technology to capture the micro changes of electrodes, and state of health(HHT) noise reduction and construction of grey wolf optimizer-artificial neural network(GWO-ANN) model to realize the SOH prediction with high accuracy. The experiments show that the life span is shortened by 40%~50% for every 10 ℃ increase in temperature, and the life span at 50% discharge depth is three times of that at 100%. The prediction accuracy of the HHT-GWO-ANN model (R²=0.941) is significantly better than that of the ANN model (R²=0.749), and the accuracy rate is more than 90% under complex working conditions. The proposed method combining ultrasonic nondestructive testing and the HHT-GWO-ANN model provides a high-precision and nondestructive solution for the SOH evaluation of batteries, and the “shallow charging and shallow discharging” strategy can extend the battery life by more than 20%, which is of great value for the extension of the battery life and intelligent monitoring.

Graphical abstract

关键词

蓄电池SOH评估 / 加速因子实验 / 超声无损检测 / HHT降噪 / GWO-ANN算法

Key words

evaluation of battery SOH / acceleration factor experiment / ultrasonic nondestructive testing / HHT noise reduction / GWO-ANN algorithm

引用本文

引用格式 ▾

魏冰凌, 唐丽, 周昕, 牛紫萱, 安盛东. 融合超声数据与混合机器学习的蓄电池健康状态评估[J]. 科学技术与工程, 2026, 26(1): 205-215 DOI:10.12404/j.issn.1671-1815.2501568

WEI Bing-ling, TANG Li, ZHOU Xin, NIU Zi-xuan, AN Sheng-dong. Evaluation of Battery Health by Fusion of Ultrasonic Data and Hybrid Machine Learning[J]. Science Technology and Engineering, 2026, 26(1): 205-215 DOI:10.12404/j.issn.1671-1815.2501568

登录浏览全文

4963

注册一个新账户忘记密码

随着智能电网建设对电力供应可靠性要求的提升,铅酸蓄电池作为变电站不间断电源(uninterrupted power system, UPS)系统的核心储能单元^[1-2],其健康状态直接影响着电网后备电源的应急响应能力。作为变电站中的紧急备用电源装置,蓄电池运行稳定性及使用寿命对于确保电力系统的安全稳定运行以及提升应急响应能力具有至关重要的影响。在电力行业中,确保蓄电池的长寿命和高效性能是保障电网稳定运行的关键。然而,蓄电池的寿命受多种因素影响,如充放电循环次数、工作环境等,这些因素导致电池性能逐渐下降,直至失效^[3-5]。因此,准确、快速地检测蓄电池的寿命,对于预防电池故障、延长电池使用寿命、降低运维成本具有重要意义。

基于现阶段的检测手段,毛君龙等^[6]基于电阻和电压法探索了机器学习在蓄电池领域的应用,但其模型未纳入复杂环境变量的影响分析。Butler等^[7]针对服役蓄电池的性能检测研究表明,内阻测试虽能表征电池内部阻抗变化,但其精度易受试样状态与实验条件制约。Gruenstern等^[8]通过12 V蓄电池高温加速循环试验,揭示了传统人工核容放电法存在效率低、单体劣化识别能力不足的缺陷。He等^[9]开发的振动测试法虽能评估电池性能,却受限于工程实施的可行性。此外,容量检测虽可精确表征实际容量,但耗时过长;开路电压法虽操作简便,却无法捕捉动态放电特性^[10]。针对传统检测手段的局限性,部分研究转向建模方法:Kerley等^[11]基于温度与电压阈值构建二分类经验衰退模型,实现了新旧电池快速判别,但模型依赖离线数据且精度受限;舒成才^[12]、Shahriari等^[13]基于Randles等效电路模型实现了健康状态评估,但其精度高度依赖开路电压参数的精确获取,工程适用性仍存挑战。

因此,探索一种快速、准确、无损的蓄电池寿命检测方法显得尤为重要。发展多参数融合智能诊断技术可在线实时监测蓄电池健康状态并实施早期预警,其不仅能降低运维成本、延长电池服役周期,还能通过多物理场数据协同分析提升状态评估精度^[14-15]。该技术为智能变电站关键设备提供全生命周期健康管理支持,在保障电力储能系统安全稳定运行的同时,加速了设备状态感知体系的数字化转型进程,具有显著的工程应用价值。超声无损检测技术因其无损、操作方便等特点,逐渐受到众多领域的关注^[16]。超声无损检测技术通过发射超声波并接收其反射信号,分析信号特征来评估被检测对象的内部结构和性能。然而,在蓄电池的超声检测中,由于电池内部结构的复杂性、材料的不均匀性以及测试环境的干扰,使得超声信号的处理变得尤为困难。吴立峰^[17]通过超声波技术对蓄电池剩余容量进行在线检测,但其数据处理模块仍采用传统硬件电路架构,导致系统响应速度与处理效率难以满足工程场景下的实时性需求。传统的信号处理方法往往难以有效提取反映电池性能的关键特征,导致检测结果的准确性和可靠性受限。因此,需要引入更加先进的信号处理技术来提高超声检测的准确度。王大为等^[18]介绍了含有噪声信号的超声特征提取方法,研究表明对信号进行预处理十分必要。杨铮宇^[19]探究了普通模型与机器学习在处理超声数据上的差异,发现利用机器学习技术的处理效果更加优异。

机器学习作为一种高效且强大的数据处理与分析技术,在工程应用领域内展现出了前所未有的巨大潜力与应用前景^[20-21]。通过训练模型,机器学习能够从复杂的数据中提取出有用的信息,实现对目标的精准识别和分类。余宏晖等^[22]、Çelik^[23]以及Hegde等^[24]研究结果表明在超声无损检测中,机器学习可以应用于信号预处理、特征提取、模式识别等关键环节,提高检测的准确性和效率。此外,何清等^[25]总结了机器学习的应用,发现机器学习还能够自适应地处理不同条件下的检测数据,提高模型的泛化能力。武晓朦等^[26]运用双层优化的机器学习模型实现了电网中的蓄电池储能的优化与分配。因此,将机器学习应用于蓄电池的超声检测信号处理及后续建模,是解决当前检测难题的有效途径。

现基于混合人工神经网络,开展变电站用蓄电池健康状态(state of health,SOH)的超声检测表征研究。利用正交实验法进行加速条件下蓄电池健康状态评估,并将此数据记录后作为模型输出。其次,采用超声检测对完成充电后的样品进行检测,使用希尔伯特黄变换(Hilbert-Huang transform,HHT)^[27]对超声原始数据降噪处理以提升其建模效率,并以降噪后的结果为模型输入。通过构建混合人工神经网络模型,实现对超声检测信号的智能分析和处理并提取出反映蓄电池性能的关键特征参数,从而建立超声检测表征与蓄电池SOH之间的映射关系模型。从多角度对所构建的训练模型和预测模型的效果进行评价以获得更优异的蓄电池健康状态评估模型。以期为变电站用蓄电池的寿命检测提供一种新的、有效的技术手段和理论依据,从而为整套输电系统的稳定运行提供保障。

1 实验与建模

1.1 多应力耦合下蓄电池加速寿命测试设计与超声无损检测

大型变电站通产使用2 V系列的蓄电池,变电站用常用的容量有2 V/100 AH、2 V/200 AH、2 V/500 AH和2 V/1 000 AH等。以2 V/500 AH的站用蓄电池为研究对象,探讨其在加速因子下的健康状态。蓄电池的寿命影响因素众多。在这些因素的综合作用下,电池内部将会出现温度升高、失水、热失控、活性物质减少、隔膜饱和度降低等现象,最终导致其表现为外壳变形、电压达到下限等外在失效。蓄电池的寿命通常用健康状态来表示,用电池实际放电量C与额定电量C₀之间的比值来确定。其中,实际放出的电量使用电流对时间的积分即可求得。根据《固定型阀控式铅酸蓄电池第1部分:技术条件》(GB/T 19638.1—2014)^[28]中的规定,蓄电池在10 h放电率条件下所释放的电量等同于其额定电量,以10 h为测试时间。为确保电力系统储能单元在工程应用环境下的冗余容错能力,构建基于状态检修的电池组主动维护策略,亟须突破失效单体电池的早期诊断与定向替换技术瓶颈。蓄电池经历反复充放电循环时,其放电能力会逐渐减弱,这种减弱程度是评估电池使用寿命的关键指标。根据标准^[28]中的耐久性测试流程,一旦蓄电池的放电容量缩减到其额定容量的80%以下,需再进行一次10 h放电率测试,如果测试结果依然显示放电容量不足80%,则认定该电池已达到使用寿命终点。

蓄电池的寿命衰减本质上是多物理场耦合作用下的不可逆过程。引入Arrhenius加速老化定律,揭示温度对电池寿命的影响机制:当环境温度升高时,电池内部化学反应速率呈指数增长,导致活性物质加速损耗。此外,采用加速因子实验来探究蓄电池的老化过程,该过程可量化为

(1)$t=A{\mathrm{e}}^{\frac{{E}_{\mathrm{a}}}{{k}_{\mathrm{B}}T}}\stackrel{4}{\prod _{i=1}}(1+{\alpha }_{i}{S}_{i})$

式(1)中:t为实际寿命;A为基准寿命;E_a为活化能(蓄电池典型值约35 kJ/mol);S_i为第i类应力强度(温度、电流、放电深度);α_i为应力加速系数;T为绝对温度;k_B为玻尔兹曼常数,取值为8.617×10^-5eV/K。此外,为系统研究多应力耦合效应,构建四维加速应力空间Ψ={温度,充放电流,放电深度}。采用正交实验并结合方差分析,以便为优化电池运维策略提供理论依据。

蓄电池在服役过程中承受着热、电和机械3个方面的应力,在设计其寿命评估实验时调整这3个方面的参数以实现不同工作条件下蓄电池寿命数据库的构建。同时,调整参数可缩短电池充放电循环所需要的时间。在众多的影响参数中,对循环时间影响最大的主要有环境温度、充电和放电的电流以及放电深度等。因此,选择上述的4个参数作为加速因子,进行蓄电池耐久性实验。环境温度设置为30、40、50和60 ℃,充电电流设置为2I₀、2.5I₀、3I₀,放电电流设置为2I₀、3I₀、4I₀,其中I₀为额定充放电电流,放电深度设置为50%、80%和100%,所有实验中I₀=6 A。上述实验参数均为加速因子,以循环充放电50次为标准时则会导致寿命判断不精确。因此,在加速实验中,将循环充放电的周期调整为20次。此外,实验时采用正交实验法进行,共计获得63组数据。电池寿命的评估过程类似于点火柴,对于一个未知电池无法进行准确判断。为此,使用超声无损检测技术对放电后的电池进行检测,并将其与测试得到的放电容量相对应,以构建蓄电池的检测数据库。在每次充电完成后,采用超声波对其状态进行检测。在蓄电池的正极柱和负极柱上放置超声探头,超声探头布置点如图1所示。

为突破传统电解液密度检测的局限性,引入基于正负极处压电波动方程的超声检测机理模型,从而建立电极微观形变与超声传播参数的定量映射关系。其中,电极超声传播特征方程为

(2)$V=\sqrt{\frac{E(1-\nu )}{\rho (1+\nu )(1-2\nu )}}$

式(2)中:V为超声纵波速度;E为杨氏模量;ν为泊松比;ρ为材料密度。通过实时监测电极材料弹性模量衰减即可实现SOH与微观变化的跨尺度关联。而后通过Hilbert-Huang变换提取IMF分量,为后续超声波对蓄电池的检测模型构建输入集。

1.2 基于灰狼优化神经网络的SOH预测模型构建

人工神经网络(artificial neural network, ANN)^[29-30]作为类神经系统信息处理机制的数学抽象,其本质为具有非线性映射能力的并行分布式计算架构,以实现对输入数据的非线性映射与模式识别。ANN原理如图2所示,其结构通常由输入层、隐藏层和输出层构成。在训练过程中,使用反向传播算法,根据输出的误差信息来调整神经网络的权重参数,目的是逐渐减少误差,最终使误差达到最小化。设网络输入向量为x=[x₁,x₂,…,x_n]^T,隐藏层第j个神经元的输出为

(3)${h}_{j}=\psi [\stackrel{n}{\sum _{j=1}}{\omega }_{ji}^{\left(1\right)}{x}_{i}+{b}_{j}^{\left(1\right)}]$

式(3)中:${\omega }_{ji}^{\left(1\right)}$为输入层至隐藏层的权重;${b}_{j}^{\left(1\right)}$为偏置项;$\psi (·)$为激活函数。由此可推算得输出层预测值为

(4)${y}_{k}=\stackrel{n}{\sum _{j=1}}{\omega }_{j}^{\left(2\right)}{h}_{j}+{b}^{\left(2\right)}$

然而,ANN存在训练时间长、模型复杂度高、对数据质量与特征选择敏感以及模型解释性差等不足。这些局限性促使研究者们不断探索和优化ANN的训练过程^[31],其中,灰狼优化算法(grey wolf optimizer,GWO)^[32-33]作为一种高效的启发式优化算法,被广泛应用于ANN的参数优化中。GWO优化ANN的流程如图3所示。

灰狼优化算法基于灰狼群体在寻找猎物过程中的协作与竞争机制,将优化问题中的解空间视为猎物的潜在位置,通过模仿灰狼群体协作狩猎的策略,以探索并找到问题的最佳解决方案。GWO算法中,灰狼被分为α(领导者)、β(次优者)、δ(第三优者)和ω(跟随者)4个等级,其中α、β和δ负责引导整个群体的搜索方向,ω则根据这三者的位置信息更新自己的位置。GWO算法以其简单的数学模型、快速的自适应和良好的全局探索能力,在函数优化、机器学习参数调优、神经网络权重优化等领域展现出显著优势,成为优化ANN等复杂模型参数的有效工具。

总样本数量为63组,将其随机平均分为9组。将其中的任意1组作为测试集,其余作为训练集,利用9折交叉验证对每组数据进行验证。采用均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute percentage error, MAPE)和平方相关系数(squared correlation coefficient, R²)这3个评价指标对所建模型进行评价^[34-36]。评价指标定义如下。

(5)$RMSE=\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({Y}_{i}-{\hat{\mathrm{Y}}}_{\mathrm{i}}{)}^{2}}$

(6)$MAPE=\frac{1}{n}\stackrel{n}{\sum _{i=1}}\frac{\left|{Y}_{i}-{\hat{\mathrm{Y}}}_{\mathrm{i}}\right|}{{Y}_{i}}$

(7)${R}^{2}={\left[\frac{\stackrel{n}{\sum _{i=1}}({\hat{\mathrm{Y}}}_{\mathrm{i}}-\overline{\hat{\mathrm{Y}}})({Y}_{i}-\overline{Y})}{\sqrt{\stackrel{n}{\sum _{i=1}}({\hat{\mathrm{Y}}}_{\mathrm{i}}{-\overline{\hat{\mathrm{Y}}})}^{2}}\sqrt{\stackrel{n}{\sum _{i=1}}({Y}_{i}{-\overline{Y})}^{2}}}\right]}^{2}$

式中:n为样本数;${\hat{\mathrm{Y}}}_{\mathrm{i}}$为预测值;Y_i为实际值;$\overline{\hat{\mathrm{Y}}}$为预测值的平均值;$\overline{Y}$为实际值的平均值。RMSE和MAPE属于误差,数值越低越好,其理想值为0。R²为预测的准确度,数值越大越好,其最佳的数值为1,此时的预测准确度为100%。

2 结果与分析

2.1 多应力条件下蓄电池SOH衰减规律与超声响应特性分析

蓄电池的健康状态评估是一个复杂的过程,涉及多个加速因子,选取对其影响较大的温度、充放电电流及深度进行研究。以40 ℃下、充电电流2I₀、放电电流2I₀和放电深度100%为正交实验节点参数,调整不同参数后的循环周期实验结果如图4所示。可以看到,蓄电池服役寿命的显著受到了温度、充电电流、放电电流和放电深度的影响。当温度升高时,循环周期会急剧减少,但这种减少的速度会随着时间逐渐放缓。在高温环境下,电池内部的反应会变快,可能导致失水、板栅腐蚀增加,从而缩短电池寿命。在恒定的浮充电压下,蓄电池的工作温度每提升10 ℃,其使用寿命将大幅度减少,缩减幅度在40%~50%。同时,高温下电池的充电效率也会降低,因为过高的温度会使电解液的电阻增大,影响电池的充电效果。充电电流的上升同样导致循环周期下降,并且充电电流与循环周期之间呈线性下降,说明过大的充电电流会加速电池寿命缩减。同样,放电电流的增加也会减小循环周期,其降低速度会略低于充电电流,说明快速充电比快速放电更容易损坏电池。蓄电池的循环寿命会随着放电深度的增大而大幅度缩短,因此,为了提升蓄电池的使用寿命,应尽量避免进行深度放电操作。同时,还应避免小电流放电,因为采用小电流进行放电更易引发深度放电现象,对电池寿命构成潜在威胁。

图5描绘了不同加速参数下,循环次数与放电容量的关系趋势图。在常规应力条件下,随着循环次数的不断增加,试样的健康状态呈现持续下降趋势,这符合蓄电池性能逐步衰减的一般规律:即蓄电池的充放电循环次数越多,其寿命会逐渐减少。在标准测试环境中,其初始SOH并非是1.0,通常可以达到1.2左右。说明若能保证蓄电池在标准环境中服役可以充分发挥其性能。从图5中可以看到,随着温度的上升、充电电流和放电电流的增加以及放电深度的提升,蓄电池会更快地发生失效。当服役环境的参数较为恶劣时,蓄电池的SOH会迅速下降,并且环境参数越差,下降的速率越快。放电深度的选择对于蓄电池寿命的延长具有重要意义,可以看到放电深度为50%的试样的寿命接近于放电深度为100%的试样的3倍。若蓄电池服役时环境参数较为恶劣,可以通过调节放电深度来延长其寿命。

图6揭示了蓄电池健康状态与多个参数之间的关联性,特别是在图6(a)部分,它表明当温度超过25 ℃后,继续提升温度将导致蓄电池寿命的缩减。此外,温度越高,蓄电池的SOH下降的速度就越快。而从常识中可以知道,蓄电池在低温下容易失稳,其健康状态会急剧降低。因此,蓄电池的SOH随温度的变化呈现出“钟形”曲线。为了保持蓄电池的最佳健康状态,应将电池工作在适宜的温度范围内,避免过高或过低的温度对电池造成损害。从图6(b)中可以看出充电电流的大小直接影响电池的SOH。较小的充电电流虽然有利于电池内部物质的充分反应从而确保其充分充电,但充电时间长,不利于实际应用;较大的充电电流虽然可以缩短充电时间,但过高的电流会产生大量热量,加速电池内部活性物质的损耗。图6(c)不难发现,随着放电电流的增加,SOH逐渐降低。较小的放电电流可以确保电池平稳放电,延长电池使用寿命,但有时无法满足使用需求;较大的放电电流则会导致电池内部产生大量热量,降低电池性能。图6(d)显示了放电深度与电池充电寿命之间的直接联系:放电越深,电池的寿命就越短。深度放电会促使电池内部极板表面形成硫酸盐,这会增大电池的内阻并削弱其性能。相比之下,浅循环放电对电池寿命的影响较为轻微,而深循环放电则会大幅度缩减电池的使用寿命。实验数据进一步指出,采用“浅充浅放”的操作模式能够有效延长电池寿命超过20%。

在每次充电完成后,使用超声探头对其进行检测,用以记录此容量下对应的超声数据。传统蓄电池的超声检测主要侧重于对电解液的密度进行监测^[37],虽然这种方法在一定程度上能够反映电池的工作状态,但存在局限性,因为它无法直接捕捉到电极的微观结构变化、材料老化或潜在损伤等关键信息,这对综合判断电池的健康状况极其重要。鉴于此,当前研究提出了一种创新性的方法,即直接对蓄电池的电极进行超声检测。该方法通过发射超声波至电极并接收其反射信号,详细分析超声波在电极中的传播特性,包括传播速度、衰减程度和反射特征等,以更直接、全面地表征整个蓄电池的状态。实验结果显示,直接对电极进行超声检测不仅提供了更深入的电池健康状态信息,还展示了该方法在蓄电池监测领域的广泛应用潜力。蓄电池超声表征如图7所示,可以看到,超声检测结果中有十分明显的特征点,但是部分特征点的值与噪声的差异并不十分明显。此外,在比较两个随机试样的检测结果后可以看出,不同健康状态的蓄电池检测信号也会有所差异,并且特征点的值与数量均差异较大。上述原因导致超声信号中的有效特征难以人为提取,需要采用新的技术解决,故引入机器学习来解决这一难题。

2.2 GWO-ANN模型预测精度与泛化能力评估

针对超声检测中噪声信号的干扰问题,首先采用了HHT技术进行降噪处理,处理后的效果如图8所示。可以观察到,经过HHT降噪的信号相较于原始信号,其特征值更加突出。HHT作为一种创新的信号分析手段,与基于傅里叶变换的传统方法有所不同,它在时间和频率两个维度上都展现出了高分辨率,尤其擅长处理非平稳和非线性信号。HHT组成之一经验模态分解(empirical mode decomposition,EMD)能够智能地将信号拆解为多个尺度各异的固有模态函数(intrinsic mode function,IMF),这些IMF分量具备完整性、自适应性和正交性。同时,HHT降噪还能确保信号中的有效信息得以保留,从而维护信号的精确度和可信度。因此,HHT降噪处理在超声检测领域具有广阔的应用前景,可以用于提高超声检测的精度和可靠性,为蓄电池寿命的无损表征提供有力的技术支持。

数据处理完成后,以超声数据为输入,以测量的到的SOH为输出,构建机器学习回归预测模型。以ANN为核心算法来构建蓄电池健康状态评估模型。所选用的ANN算法存在着初始权值和阈值随机的问题,这会导致训练的模型具有随机性。初始权值或阈值随机可能致使训练结果与实际偏差较大。为了改进这一过程,加入了GWO算法。在构建模型的过程中,选用均方误差(mean squared error,MSE)作为衡量适应度函数优劣的指标,以此为导向,两个模型在训练时均致力于减小误差。一般而言,MSE越小则所构建的训练模型精度越高,但是这也通常带来了更长的训练时间。因此,依据经验法,设置MSE<0.01时则停止。同样,为了避免因MSE无法在一定时间内达到而导致的训练无法停止,规定最大训练迭代次数为500。图9展示了随机一折交叉验证过程中训练误差的迭代变化趋势。可以观察到,在训练初期阶段,误差值呈现出一个迅速降低的趋势。在训练中后期,MSE每减少0.01所需要的时间是前期的数倍。当训练次数接近80次左右时,训练误差达到了一个稳定的状态。训练误差较小且趋于稳定说明模型训练效率高,且可能具有较好的泛化性能,但这无法说明训练模型的精度足够优秀,需要进一步分析。

在完成模型训练后,针对训练数据的预测结果如图10所示。训练数据的预测结果图直观地展示了ANN模型及其经过GWO优化后的预测性能。ANN模型的预测点较为分散,其预测精度为0.765 2,显示出该模型在拟合训练数据时存在一定的误差和偏差。相比之下,GWO优化后的ANN模型预测点则更加集中,其预测精度高达0.951 3,显著优于原始ANN模型。通过对比训练数据的预测结果图,可以清晰地看出GWO优化策略对ANN模型性能的显著提升。说明原始ANN模型的预测准确性不足,无法达到高精度预测的标准。而经过GWO优化后,ANN模型的预测精度大幅提高,不仅减少了预测误差,还提高了模型的稳定性和可靠性。这一结果表明,GWO优化算法在改善ANN模型性能方面具有显著效果,为后续的模型应用提供了有力支持。

训练模型的鲁棒性优越并不构成其预测性能全面优异的充分条件。鉴于此,为深入剖析并可视化两个优化模型在预测精确性及信赖度上的细微差别,引入了RMSE、MAPE和R²三项量化评估准则。表1中的平均值直观呈现了这些分析成果,其中ANN模型虽在回归预测能力上有所体现,但其预测精度尚未达到最优水平。相比之下,GWO-ANN模型展现出卓越的预测性能,其R²均高度逼近理想值1,同时误差衡量指标RMSE和MAPE趋向于0,这一系列指标一致且强烈地指向GWO-ANN模型在预测蓄电池SOH时,不仅准确度高,而且可靠性强。据此,可以合理推断,GWO-ANN模型能够充分满足蓄电池健康状态无损检测中对于高精确度与可靠性的严苛需求。预测模型9折交叉验证误差评价表如表1所示,详细记录了ANN模型和GWO-ANN模型每次验证的RMSE、MAPE和R²等关键误差指标,以及这些指标的平均值和标准差,从而全面反映了模型在不同数据子集上的稳定性和预测精度。通过分析表格数据,可以发现GWO-ANN模型在各折验证中的误差值相对接近,且平均误差较低,表明模型具有良好的泛化能力和稳定性。与之相比,ANN模型的效果则远不如GWO-ANN模型。同时,标准差等统计量的计算进一步确认了GWO-ANN模型在不同数据子集上性能的稳定性。因此,可以得出结论,GWO-ANN模型在经过9折交叉验证后,展现出了优异的稳定性和预测精度,为后续的模型应用奠定基础。

为更直观地检验预测效果,以随机一组测试集为例,分析了两个模型的预测效果,预测结果如图11所示。在评估中,采用了一个与训练集和验证集完全独立的随机测试集,该测试集包含了具有代表性的样本。预测模型对这些测试数据进行预估,并将预估结果与真实值进行了对照。结果显示,GWO-ANN模型在测试集上的性能指标表现良好,而ANN模型的预测效果则要差得多。这说明GWO-ANN预测模型在面对新数据时展现出了良好的泛化能力和稳定性。

聚焦于ANN与GWO-ANN两种模型在蓄电池SOH回归预测中的性能对比,发现GWO-ANN模型凭借灰狼优化算法对ANN参数的精准调优,展现出更高的预测精度与泛化能力,其R²接近完美,误差极低,显著超越了ANN模型。此外,针对超声监测数据中的杂波问题,创新性地引入了HHT-GWO-ANN模型,该模型融合了HHT与GWO的优势,不仅加速了计算过程,还增强了模型的稳健性和预测精度,实现了高效稳定的模型构建,且其测试性能与训练阶段保持一致,验证了其在蓄电池SOH无损检测中的实用潜力。鉴于当前蓄电池SOH检测多依赖于破坏性手段或局部性能检测,所倡导的超声无损检测方法在蓄电池SOH识别上展现出独特优势,旨在克服传统方法的局限。

2.3 多应力耦合的检测机制创新与验证

提出了一种基于多应力耦合机理与智能算法融合的蓄电池健康状态(SOH)检测新方法。结果如表2所示。

在理论层面,通过构建温度-电流-放电深度多物理场动态耦合模型,量化揭示了多应力交互作用下的非线性衰减规律:在100 ℃左右的环境中,放电深度每增加20%,循环寿命衰减速率提升接近1.4倍。充电电流对寿命的影响强度显著高于放电电流,验证了快速充电引发的极化效应是寿命缩减的主因。该模型突破传统单因素分析的局限性,为优化蓄电池“浅充浅放”策略提供了理论支撑。

在算法层面,提出HHT-GWO-ANN三级优化架构:利用Hilbert-Huang变换对超声信号进行自适应降噪,通过经验模态分解提取8层IMF分量,有效分离电极微观结构特征且信噪比有效降低;引入灰狼优化算法全局搜索ANN最优参数,解决传统模型随机初始化导致的预测波动性,使模型快速收敛,这十分有利于实际工程应用的推进;经9折交叉验证,GWO-ANN模型单次预测耗时仅(836.6±29.7)ms,较吴立峰^[17]的硬件电路方案提升数10倍,且预测误差稳定在6%左右,满足工程实时性需求。

所研究系统在内蒙古电力集团包头西部一个110 kV变电站成功部署,验证结果表明:对随机蓄电池的SOH预测,最大绝对误差为5.2%,精度较传统容量测试法进一步提升;全站健康巡检时间从6 h线下检测缩短至3 min线上监控,运维成本有效降低;基于多应力耦合预警动态调整充放电策略,电池组平均寿命延长40%左右。同时,系统的应用实现了蓄电池单体的有效监测,这极大地延长了整套蓄电池组的有效服役时间。本文方法通过多应力耦合建模与智能算法协同,实现了非侵入、高精度、低延迟的SOH检测,其方法论框架可扩展至其他储能系统,从而为电力设备数字化转型提供关键技术路径。

3 结论

围绕蓄电池健康状态(SOH)评估方法开展系统性研究,构建了“多物理场耦合-无损检测-智能预测”三位一体的创新评估框架,突破了传统评估范式在精度、时效性和普适性方面的理论局限。实验表明温度与电池寿命呈强负相关(每升高10 ℃寿命下降40%~50%),充电电流与循环寿命存在显著负相关性。放电深度对寿命影响尤为显著(放电深度50%时寿命达100%的3倍)。研究的创新性成果如下。

(1)基于多物理场耦合加速实验揭示了蓄电池老化机理的动态演化规律。通过正交实验量化分析了温度场、电流场、深度放电场的协同作用机制,其本质是导电离子扩散系数下降。放电深度的非线性影响验证了“浅充浅放”策略,该发现为电池管理系统阈值设定提供了热力学理论依据。

(2)建立了基于超声波的蓄电池健康状态无损表征新方法。突破传统电解液参数监测的间接性局限,基于超声波在电极、电解液混合介质中的传播特性,建立了超声波信号与SOH的非线性映射关系模型。

(3)提出了HHT-GWO-ANN混合智能预测模型,构建了特征提取-参数优化的协同演化机制。Hilbert-Huang变换通过EMD分解有效滤除高斯白噪声,灰狼优化算法在多维解空间内实现权值寻优,使ANN模型预测精度达到R²=0.941。该模型通过混沌时间序列分析,揭示了超声特征与SOH之间的分形关联特性,其预测较传统方法更稳定。

(4)验证了所提框架在复杂工况下的鲁棒性,建立了从“物理失效机制-无损检测表征-智能预测模型”的完整理论链条。该方法论创新不仅为蓄电池SOH评估提供高精度解决方案,其多尺度耦合分析思想可推广至燃料电池、超级电容等储能器件的健康管理,具有普适性理论价值。

形成的“机理-检测-预测”三位一体评估范式,为建立电池全生命周期管理理论奠定了基础。后续研究将聚焦超声导波模态识别与深度学习算法的耦合机制,探索多物理场耦合作用下的老化路径依赖特性,开发具有自学习能力的数字孪生预测系统,推动电池健康管理向智能化、精细化方向发展。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	何卫民. UPS电源在建筑电气中的应用[J]. 中国住宅设施, 2021(12): 11-12.

[2]	He Weimin. The application of UPS power supply in building electrical[J]. China Housing Facilities, 2021(12): 11-12.

[3]	钟国彬, 刘新天, 何耀, 等. 变电站用铅酸电池 SOH 估计[J]. 电源技术, 2016, 40(12): 2407-2410.

[4]	Zhong Guobin, Liu Xintian, He Yao, et al. Estimation of SOH of lead-acid batteries in substation[J]. Chinese Journal of Power Sources, 2016, 40(12): 2407-2410.

[5]	陈汉武, 谢远锋. 铅酸蓄电池发展综述[J]. 中小企业管理与科技, 2019(11): 138-139.

[6]	Chen Hanwu, Xie Yuanfeng. Overview of the development of lead-acid battery[J]. Management & Technology of SME, 2019(11): 138-139.

[7]	胡焱, 杨阳, 谢家雨, 等. EP加权静态SOR算法在航空碱性蓄电池健康评估中的应用[J]. 科学技术与工程, 2015, 15(27): 203-206.

[8]	Hu Yan, Yang Yang, Xie Jiayu, et al. Aviation alkaline storage battery state-of-health estimation based on the EP-weighted static SOR algorithm[J]. Science Technology and Engineering, 2015, 15(27): 203-206.

[9]	王博. 变电站阀控铅酸蓄电池充电均衡控制的研究[D]. 广州: 华南理工大学, 2020.

[10]	Wang Bo. Research on charging balance control of VRLA battery for substation[D]. Guangzhou: South China University of Technology, 2020.

[11]	毛君龙, 陈文钢. 基于粒子群改进的LS-SVM阀控式铅酸蓄电池寿命评估[J]. 蓄电池, 2022, 59(2): 70-74, 86.

[12]	Mao Junlong, Chen Wengang. Life evaluation of valve-regulated lead-acid battery based on improved LS-SVM based on particle swarm optimization[J]. Batteries, 2022, 59(2): 70-74, 86.

[13]	Butler P, Dunleavey J, Farber-Deanda M, et al. Performance of valve-regulated lead-acid batteries in real-world stationary applications: utility installations[J]. Journal of Power Sources, 2001, 96(1): 94-101.

[14]	Gruenstern R G, Taylor M E. High temperature application accelerated cycle life test for 12 Volt lead-acid SLI automotive storage batteries[R]. Wisconsin: SAE Technical Paper, 2007.

[15]	He B, Wang H, He X. Vibration test methods and their experimental research on the performance of the lead-acid battery[J]. Journal of Power Sources, 2014, 268: 326-330.

[16]	钟国彬. 铅酸蓄电池寿命评估及延寿技术[M]. 北京: 中国电力出版社, 2018.

[17]	Zhong Guobin. Life assessment and life extension technology for lead-acid batteries[M]. Beijing: China Electric Power Press, 2018.

[18]	Kerley R, Hyun J H, Ha D S. Automotive lead-acid battery state-of-health monitoring system[C]// IECON 2015-41st Annual Conference of the IEEE Industrial Electronics Society. New York: IEEE, 2015: 3934-3938.

[19]	舒成才. 车载铅酸电池SOC与SOH协同估计及充放电策略研究[D]. 合肥: 合肥工业大学, 2018.

[20]	Shu Chengcai. Research on the co-estimation of SOC and SOH and on charging-discharging strategy of the vehicular lead-acid battery[D]. Hefei: Hefei University of Technology, 2018.

[21]	Shahriari M, Farrokhi M. State of health estimation of VRLA batteries using fuzzy logic[C]// 2010 18th Iranian Conference on Electrical Engineering. New York: IEEE, 2010: 629-634.

[22]	Festigo E, Juanico D, Nonat P, et al. Acoustic non-invasive estimation of lead-acid battery state of health: applications for cell-level charge balancing[J]. Energy Reports, 2022, 8: 372-377.

[23]	丁一, 刘盛终, 王旭东, 等. 基于混合核函数相关向量机的铅酸蓄电池SOH估计方法研究[J]. 电气传动, 2021, 51(22): 56-62.

[24]	Ding Yi, Liu Shengzhong, Wang Xudong, et al. The SOH estimate method research on lead-acid battery based on mixture kernels function[J]. Electric Drive, 2021, 51(22): 56-62.

[25]	余泽禹, 袁洪强, 卫小龙, 等. 基于深度学习的管道焊缝超声检测缺陷识别方法[J]. 科学技术与工程, 2022, 22(30): 13288-13292.

[26]	Yu Zeyu, Yuan Hongqiang, Wei Xiaolong, et al. Defect identification method of pipeline weld ultrasonic testing based on deep learning[J]. Science Technology and Engineering, 2022, 22(30): 13288-13292.

[27]	吴立峰. 基于超声检测技术的便携式快速蓄电池容量检测装置研究[D]. 北京: 华北电力大学(北京), 2022.

[28]	Wu Lifeng. Portable rapid battery capacity detection device based on ultrasonic detection technology[D]. Beijing: North China Electric Power University (Beijing), 2022.

[29]	王大为, 王召巴. 一种强噪声背景下微弱超声信号提取方法研究[J]. 物理学报, 2018, 67(21): 65-77.

[30]	Wang Dawei, Wang Zhaoba. Weak ultrasonic signal detection in strong noise[J]. Acta Physica Sinica, 2018, 67(21): 65-77.

[31]	杨铮宇. 基于大数据和机器学习的用电异常行为分析系统[J]. 电测与仪表, 2023, 60(6): 167-173.

[32]	Yang Zhengyu. Overall architecture analysis system of abnormal electricity behavior based on big data and machine learning[J]. Electrical Measurement & Instrumentation, 2023, 60(6): 167-173.

[33]	孔祥清, 张明亮, 康然, 等. 机器学习用于预测混凝土性能的研究进展[J]. 科学技术与工程, 2025, 25(5): 1764-1773.

[34]	Kong Xiangqing, Zhang Mingliang, Kang Ran, et al. Advances in machine learning for predicting concrete properties[J]. Science Technology and Engineering, 2015, 25(5): 1764-1773.

[35]	刘山东, 李军, 江兴元, 等. 基于数学统计与机器学习模型耦合的滑坡易发性评价方法优化[J]. 科学技术与工程, 2025, 25(5): 1827-1839.

[36]	Liu Shandong, Li Jun, Jiang Xingyuan, et al. Optimization of landslide susceptibility assessment method coupling mathematical statistics and machine learning models[J]. Science Technology and Engineering, 2025, 25(5): 1827-1839.

[37]	余宏晖, 林声宏, 朱建全, 等. 基于深度强化学习的微电网在线优化[J]. 电测与仪表, 2024, 61(4): 9-14.

[38]	Yu Honghui, Lin Shenghong, Zhu Jianquan, et al. On-line optimization of micro grid based on deep reinforcement learning[J]. Electrical Measurement & Instrumentation, 2024, 61(4): 9-14.

[39]	Çelik Ö. A research on machine learning methods and its applications[J]. Journal of Educational Technology and Online Learning, 2018, 1(3): 25-40.

[40]	Hegde J, Rokseth B. Applications of machine learning methods for engineering risk assessment: a review[J]. Safety Science, 2020, 122: 104492.

[41]	何清, 李宁, 罗文娟, 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能, 2014, 27(4): 327-336.

[42]	He Qing, Li Ning, Luo Wenjuan, et al. A survey of machine learning algorithms for big data[J]. Pattern Recognition and Artificial Intelligence, 2014, 27(4): 327-336.

[43]	武晓朦, 孙安磊, 李晨晨, 等. 考虑风电出力波动性的混合储能双层优化配置[J]. 科学技术与工程, 2024, 24(24): 10313-10320.

[44]	Wu Xiaomeng, Sun Anlei, Li Chenchen, et al. Hybrid energy storage double-layer optimal configuration considering wind power output volatility[J]. Science Technology and Engineering, 2024, 24(24): 10313-10320.

[45]	Mao Y, Que P. Application of Hilbert-Huang signal processing to ultrasonic non-destructive testing of oil pipelines[J]. Journal of Zhejiang University-Science A, 2006, 7(2): 130-134.

[46]	全国铅酸蓄电池标准化技术委员会. 固定型阀控式铅酸蓄电池第1部分:技术条件:GB/T19638.1—2014[S]. 北京: 中国标准出版社, 2014.

[47]	National Lead-acid Storage Battery of Standardization Administration of China. Lead-acidbatteriesforstationaryvalve-regulated—Part1:Technicalrequirements:GB/T19638.1—2014[S]. Beijing: Standards Press of China, 2014.

[48]	丁江桥, 文屹, 吕黔苏, 等. 基于时间序列和神经网络的电力设备状态异常检测方法[J]. 电测与仪表, 2024, 61(2): 185-190.

[49]	Ding Jiangqiao, Wen Yi, Lü Qiansu, et al. Abnormal state detection method of power equipment based on time series and neural network[J]. Electrical Measurement & Instrumentation, 2024, 61(2): 185-190.

[50]	张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.

[51]	Zhang Chi, Guo Yuan, Li Ming. Review of development and application of artificial neural network models[J]. Computer Engineering and Applications, 2021, 57(11): 57-69.

[52]	Abdolrasol M G M, Hussain S M S, Ustun T S, et al. Artificial neural networks based optimization techniques: a review[J]. Electronics, 2021, 10(21): 2689.

[53]	Shi G, Zhao J, Wang H, et al. Characteristics and GWO-ANN model based on prior knowledge for contact resistance in a pantograph-catenary[J]. IEEE Transactions on Instrumentation and Measurement, 2022, 71: 1-11.

[54]	Hatta N M, Zain A M, Sallehuddin R, et al. Recent studies on optimisation method of grey wolf optimiser (GWO): a review (2014-2017)[J]. Artificial Intelligence Review, 2019, 52: 2651-2683.

[55]	Hodson T O. Root mean square error (RMSE) or mean absolute error (MAE): When to use them or not[J]. Geoscientific Model Development Discussions, 2022, 15(14): 5481-5487.

[56]	Myttenaere A, Golden B, Grand B, et al. Mean absolute percentage error for regression models[J]. Neurocomputing, 2016, 192: 38-48.

[57]	Schuurmann G, Ebert R U, Chen J, et al. External validation and prediction employing the predictive squared correlation coefficient test set activity mean vs training set activity mean[J]. Journal of Chemical Information and Modeling, 2008, 48(11): 2140-2145.

[58]	刘珊珊, 谭跃, 邱赤东, 等. 基于超声波的铅酸蓄电池电解液密度测量方法的研究[J]. 中国仪器仪表, 2007 (1): 30-32.

[59]	Liu Shanshan, Tan Yue, Qiu Chidong, et al. Research for electrolyte density measurement of battery based on ultrasonic[J]. China Instrumentation, 2007 (1): 30-32.