基于GA-BP神經網絡的退役動力鋰電池健康狀態快速分選模型研究

摘" 要：針對退役車用動力鋰離子電池健康狀態評估問題，分析得到內阻、溫度、充電和放電倍率4大影響因素；然后構建BP神經網絡模型，并利用已有的實驗數據驗證其預測準確率為89.48%，模型平均絕對百分比誤差MAPE為10.52%；進一步引入GA遺傳算法搭建GA-BP神經網絡模型，預測準確率提高到97.72%，模型平均絕對百分比誤差MAPE降低到2.28%，均優于標準BP神經網絡。結果表明，采用GA遺傳算法優化BP神經網絡的權值和閾值可以改善模型精度，提高該模型的預測準確率。

關鍵詞：退役動力鋰電池；梯次利用；GA-BP神經網絡；遺傳算法；鋰電池SOH

中圖分類號：O646.21" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）03-0029-04

Abstract： Aiming at the health status assessment of retired vehicle power lithium-ion batteries， four major influencing factors were analyzed and obtained. Then， a BP neural network model was built， and the existing experimental data was used to verify that its prediction accuracy was 89.48%， and the average absolute percentage error of the model was 10.52%; The GA genetic algorithm was further introduced to build a GA-BP neural network model. The prediction accuracy was increased to 97.72%， and the model's mean absolute percentage error（MAPE） was reduced to 2.28%， both better than the standard BP neural network. The results show that using GA genetic algorithm to optimize the weights and thresholds of BP neural network can improve the accuracy of the model and improve the prediction accuracy of the model.

Keywords： retired power lithium battery; echelon utilization; GA-BP neural network; genetic algorithm; lithium battery SOH

受能源危機影響，我國自2015年開始大力發展新能源汽車產業，2023年我國新能源汽車產銷分別為958.7萬輛和949.5萬輛，同比增長35.8% 和37.9%，我國新能源汽車產銷連續9年位居全球第一。但是，車用電池包壽命一般為6～8年，有關研究表明，我國將在2026年左右進入動力電池退役高峰期。

1" 退役動力鋰電池健康狀態的影響因素

1.1" 動力電池SOH的定義

動力電池SOH（State of Health）是指電池健康壽命狀況，電量，能量，充放電功率等狀態的體現。采用電池容量定義SOH較為主流，其公式為

SOH=100% ， （1）

式中：Caged為動力電池剩余容量；Crated為動力電池初始額定容量。

除了容量定義外還有電量，內阻和剩余次數定義法，容量和電量定義容易操作，內阻和剩余次數定義法可操作性較差[1]。容量的檢測方法較為成熟，且容易操作，所以本文采用容量進行評估動力電池的SOH。

本文將電池包中單個電池SOH劃分為3個等級：SOH在0.7～0.8范圍內為1級，應用于發電廠作為蓄電池，起到削峰填谷的作用；SOH在0.6～0.7范圍內為2級，應用于小型電動自行車等；SOH小于等于0.6為3級，拆解并回收金屬材料等。

1.2 退役動力鋰電池健康狀態的影響因素

1.2.1 內阻對SOH健康狀態的影響

鋰電池內其與內部活性物質的成分、電解液濃度等因素有關，隨著鋰電池使用年限增加，其內阻會逐步增大，容量隨之下降[2]。

1.2.2 溫度對SOH健康狀態的影響

鋰電池的工作原理是氧化還原反應，當溫度過高時，鋰電池內部離子定向移動的阻力增大，宏觀表現為鋰電池內阻增大，SOH降低，容量衰退[3]；當溫度過低時，鋰電池內部化學反應速率減緩，鋰電池的性能衰退，SOH降低[3]。

1.2.3 充、放電倍率對SOH健康狀態的影響

武珊[4]選取第33號、第36號18650動力鋰電池作為對照組進行對比實驗，得出充、放電倍率越大，電池容量下降過程的波動越劇烈，當電池達到終止循環時，剩余容量越少的結論。

2 基于BP神經網絡的動力鋰電池健康狀態評估模型

2.1 BP神經網絡概述

神經網絡具有良好的自學習與自適應性，誤差逆傳播算法是其代表算法，簡稱BP神經網絡算法。BP神經網絡訓練過程中，如果輸出層不能得到期望的目標輸出值，則將網絡輸出與目標輸出的誤差Δ逆向傳播，通過修改各層神經元的權值，使得誤差值減小，再轉入正向傳播過程[2]。反復迭代直到誤差值小于給定值后建立最終學習型的網絡模型。

2.2 仿真及分析

2.2.1 數據集來源

仿真驗證使用的數據集[5]來源于北京理工大學發表Nature Communications使用的論文數據集，該電池為PANASONIC NCR18650BD（3.03 Ah標稱容量，3個電池cell）。3個電池的初始SOH良好，SOH≈0.82，每個電池經過900余次的充放電實驗后，SOH≈0.5。每次實驗可視為一個獨立個體電池，從2 700余條實驗數據中隨機選取800條數據作為輸入待測樣本。其中600（75%）條數據作為訓練集數據，剩下的200（25%）條數據作為測試集數據。

2.2.2 確定輸入層，隱含層，輸出層參數

內阻，工作溫度，充、放電倍率影響鋰電池的健康狀態，因此輸入層的節點數為4；用Yi=（1），Yi=（2），Yi=（3）分別表示良好（1級）、一般（2級）、較差（3級），根據Yi輸出的值確定鋰電池健康狀態的等級，即輸出層節點數為1。該BP神經網絡模型搭建過程的流程如圖1所示。

2.2.3" 仿真結果與分析

BP神經網絡搭建訓練完成后，可得到標準BP神經網絡測試集預測值-實際值-誤差對比圖2，由測試結果分析可知，該BP神經網絡模型的預測準確率為89.48%，預測值和實際值的誤差值在（-0.5，0.5），模型平均絕對百分比誤差MAPE為10.52%；說明采用鋰電池工作溫度，內阻、充放電倍率作為輸入的標準BP神經網絡可以較為準確地預測出退役動力鋰電池的健康狀態等級。

3" 基于GA遺傳算法優化BP神經網絡評估模型

3.1" GA-BP神經網絡模型搭建

遺傳算法（GA）是一種利用模仿生物進化生存規律的自然選擇理論[6]， 其核心是搜索最優：首先進行初始化參數，包括種群的數量、編碼方式、長度和最大迭代次數等；編碼完成后，根據適應度值進行選擇、交叉、變異，進化種群。每完成一輪學習若達到最大的迭代次數則結束并輸出結果，反之則繼續學習[7]。將遺傳算法與BP神經網絡融合，利用遺傳算法優化神經網絡的權值和閾值，從而提高 BP 神經網絡精度。融合遺傳算法后優化得到的GA-BP神經網絡算法流程圖如圖3所示。

3.2" GA-BP算法對退役鋰離子電池健康評估模型的建立及結果分析

GA-BP神經網絡搭建訓練完成后，得到圖4所示的GA-BP神經網絡和BP神經網絡預測值與真實值對比圖。

分析圖4可知，從整體來看，GA-BP神經網絡模型預測準確率為97.72%，模型平均絕對百分比誤差MAPE為2.28%，均優于標準BP神經網絡的89.48%和10.52%，即采用GA遺傳算法優化BP神經網絡的權值和閾值可以改善模型精度，提高該模型的預測準確率。

4" 結論

針對退役車用動力鋰離子電池健康狀態評估問題，首先構建BP神經網絡模型，然后引入遺傳算法優化模型提高準確度，得到如下結論。

1）體現電池SOH的主要參數為內阻大小、工作溫度和充、放電倍率。

2）BP神經網絡模型可以用于快速評估退役電池SOH狀態，準確率為89.48%，預測值和實際值的誤差值在（-0.5，0.5），模型平均絕對百分比誤差MAPE在11%以內。

3）引入遺傳算法的GA-BP神經網絡模型預測準確率高達97.72%，優于標準BP神經網絡。

參考文獻：

[1] 李家晨.基于CNN-BiGRU神經網絡的鋰電池SOH估計算法研究[D].淮南：安徽理工大學，2022.

[2] 胡秀園，陸貽名，莫飄.基于BP神經網絡的電力通信用蓄電池健康狀態評價模型[J].廣西電力，2018，41（2）：44-47，58.

[3] 車禹劍.純電動汽車動力電池健康狀態預估研究[D].長春：吉林大學，2023.

[4] 武珊.基于電壓特性的動力電池健康狀態估計方法研究[D].西安：長安大學，2021.

[5] LU J， XIONG R， TIAN J， et al. “Battery Degradation Datasets（Two Types of Lithium-ion Batteries）”，Mendeley Data[EB/OL].https：//data.mendeley.com/datasets/v8k6bsr6tf/1.

[6] MIAO H， ZUO D W， WANG H J，et al. Optimization of Tap Parameters for Internal Thread Cold Extrusion of High Strength Steel Based on Genetic Algorithm[J].Key Engineering Materials，2010，898（431/432）：434-437.

[7] 張劍飛，王磊，劉明，等.基于改進遺傳算法優化BP神經網絡的表面粗糙度誤差預測[J].高師理科學刊，2023，43（7）：33-40.