准确估计锂离子电池的健康状态（State of Health, SOH）和剩余寿命（Remaining Useful Life, RUL）是实现电池梯次利用、回收和预警管理的关键。然而，早期循环阶段电压曲线高度相似、老化特征微弱，传统方法难以提取有效信息，严重制约了预测精度。

近日，中国科学院海西研究院泉州装备制造研究中心戴厚德研究团队提出一种融合相空间重构与改进回声状态网络（Echo State Network, ESN）的轻量化预测框架，仅用前30%恒流充电数据即可实现高精度SOH与RUL估计。

图1. 电池健康状态估计流程框架图

团队利用复自相关法从早期电压序列中提取“延迟时间”作为唯一健康特征，该特征无需滤波或差分等复杂预处理，即可灵敏反映容量衰减趋势。随后，设计改进鲸群优化算法（Improved Whale Optimization Algorithm, IWOA），通过自适应权重与Levy飞行策略对ESN的谱半径、储备池规模等超参数进行全局-局部协同寻优，显著提升了网络对非线性老化动态的捕捉能力。

在NASA与牛津大学公开数据集上的验证表明，所提方法SOH估计平均绝对百分比误差低至0.27%，RUL预测均方根误差低至0.40%，均优于CNN、LSTM、Transformer等主流模型，且训练时间<13s、单次估计<10ms，适合嵌入式电池管理系统实时应用。该研究为电池早期健康管理提供了新思路，有望推动电动汽车与储能系统的智能运维发展。

相关成果以“State of Health Estimation and Remaining Useful Life Prediction of Lithium-ion Batteries Based on Optimized Echo State Network with Early Data Feature”为题，发表在IEEE Transactions on Instrumentation and Measurement 期刊上。

论文链接：https://ieeexplore.ieee.org/document/11059811

(戴厚德课题组供稿)