Degradation Modeling and Remaining Useful Life Prediction of Retired Power Batteries Considering Energy Storage Conditions

doi:10.3969/j.issn.1004-132X.2026.10.012

Abstract

Abstract:

A deep learning model integrating the whale optimization algorithm （WOA）， convolutional neural network （CNN）， gated recurrent unit （GRU）， and self-attention（SA） mechanism was proposed to achieve accurate prediction of the RUL of retired batteries. The proposed model leveraged CNN for feature extraction， GRU for temporal dependency modeling， and SA for capturing long-range dependencies， while WOA was employed to globally optimize hyperparameters. Comparative experiments on the public CALCE dataset demonstrate that the proposed WOA-CNN-GRU-SA model achieves RMSE of 0.809 27%， an MAE of 0.554 40%， and an R² of 99.840% on the test set. Compared with the second-best model（WOA-CNN-LSTM-SA）， the RMSE and MAE are reduced by 10.35% and 13.39%， respectively， indicating superior prediction accuracy and robustness. These results provide key technical support for accurate health grading of retired power batteries and efficient， reliable management of energy storage systems.

Key words: retired power battery, remaining useful life（RUL）, energy storage system, deep learning, cascade utilization

摘要：

提出了一种融合鲸鱼优化算法（WOA）、卷积神经网络（CNN）、门控循环单元（GRU）和自注意力机制（SA）的深度学习模型，用于精准预测退役电池的剩余使用寿命。该模型充分发挥了CNN的特征提取能力、GRU的时序建模优势以及自注意力机制的长程依赖捕捉能力，并通过WOA实现超参数的全局最优配置。基于CALCE公开数据集的对比实验结果表明，所提WOA-CNN-GRU-SA模型在测试集上取得均方根误差（RMSE）为0.809 27%、平均绝对误差（MAE）为0.554 40%、决定系数R²为99.840%的预测性能，相较于次优模型WOA-CNN-LSTM-SA，在RMSE与MAE上分别降低10.35%与13.39%，体现出更高的预测精度与鲁棒性。研究结果可为退役动力电池的精准分级与储能系统的高效可靠管理提供关键技术支撑。

关键词: 退役动力电池, 剩余使用寿命, 储能系统, 深度学习, 梯次利用

CLC Number:

TM912

MA Feng, WANG Hailei, HUANG Shunhu, ZHANG Hua. Degradation Modeling and Remaining Useful Life Prediction of Retired Power Batteries Considering Energy Storage Conditions[J]. China Mechanical Engineering, 2026, 37(10): 2492-2501.

马峰, 王海磊, 黄顺虎, 张华. 考虑储能工况的退役动力电池退化建模与剩余寿命预测[J]. 中国机械工程, 2026, 37(10): 2492-2501.

Figures/Tables 18

References 22

[1]	LI J， HE S， YANG Q， et al. A Comprehensive Review of Second Life Batteries Toward Sustainable Mechanisms： Potential， Challenges， and Future Prospects［J］. IEEE Transactions on Transportation Electrification， 2023， 9（4）： 4824-4845.
[2]	CHEN Y， SHI P， CHANG D， et al. Selective Extraction of Valuable Metals from Spent EV Power Batteries Using Sulfation Roasting and Two Stage Leaching Process［J］. Separation and Purification Technology， 2021， 258： 118078.
[3]	CONTESTABILE M， PANERO S， SCROSATI B. A Laboratory-scale Lithium-ion Battery Recycling Process［J］. Journal of Power Sources， 2001， 92（1/2）： 65-69.
[4]	HARPER G， SOMMERVILLE R， KENDRICK E， et al. Recycling Lithium-ion Batteries from Electric Vehicles［J］. Nature， 2019， 575（7781）： 75-86.
[5]	ZHENG X， ZHU Z， LIN X， et al. A Mini-review on Metal Recycling from Spent Lithium Ion Batteries［J］. Engineering， 2018， 4（3）： 361-370.
[6]	IQBAL H， SARWAR S， KIRLI D， et al. A Survey of Second-life Batteries Based on Techno-economic Perspective and Applications-based Analysis［J］. Carbon Neutrality， 2023， 2（1）： 8.
[7]	NIE Y， WANG Y， LI L， et al. Literature Review on Power Battery Echelon Reuse and Recycling from a Circular Economy Perspective［J］. International Journal of Environmental Research and Public Health， 2023， 20（5）： 4346.
[8]	MARTINEZ-LASERNA E， GANDIAGA I， SARASKETA- ZABALA E， et al. Battery Second Life： Hype， Hope or Reality？ a Critical Review of the State of the Art［J］. Renewable and Sustainable Energy Reviews， 2018， 93： 701-718.
[9]	LIU Z， LIU X， HAO H， et al. Research on the Critical Issues for Power Battery Reusing of New Energy Vehicles in China［J］. Energies， 2020， 13（8）： 1932.
[10]	LIU Z， ZHOU T， YANG H， et al. A Review of the Resourceful Utilization Status for Decommissioned Power Batteries［J］. Energies， 2023， 16（23）： 7869.
[11]	GE M， LIU Y， JIANG X， et al. A Review on State of Health Estimations and Remaining Useful Life Prognostics of Lithium-ion Batteries［J］. Measurement， 2021， 174： 109057.
[12]	FAN G. Systematic Parameter Identification of a Control-oriented Electrochemical Battery Model and Its Application for State of Charge Estimation at Various Operating Conditions［J］. Journal of Power Sources， 2020， 470： 228153.
[13]	BRUCH M， MILLET L， KOWAL J， et al. Novel Method for the Parameterization of a Reliable Equivalent Circuit Model for the Precise Simulation of a Battery Cell’s Electric Behavior［J］. Journal of Power Sources， 2021， 490： 229513.
[14]	HAN X， WANG Z， WEI Z. A Novel Approach for Health Management Online-monitoring of Lithium-ion Batteries Based on Model-data Fusion［J］. Applied Energy， 2021， 302： 117511.
[15]	RICHARDSON R R， OSBORNE M A， HOWEY D A. Gaussian Process Regression for Forecasting Battery State of Health［J］. Journal of Power Sources， 2017， 357： 209-219.
[16]	ZHOU D， YIN H， FU P， et al. Prognostics for State of Health of Lithium-ion Batteries Based on Gaussian Process Regression［J］. Mathematical Problems in Engineering， 2018， 2018（1）： 8358025.
[17]	ALI M U， ZAFAR A， MASOOD H， et al. A Hybrid Data-driven Approach for Multistep Ahead Prediction of State of Health and Remaining Useful Life of Lithium-ion Batteries［J］. Computational Intelligence and Neuroscience， 2022， 2022（1）： 1575303.
[18]	ZHANG M， YIN J， CHEN W. SOH Estimation and RUL Prediction of Lithium Batteries Based on Multidomain Feature Fusion and CatBoost Model［J］. Energy Science & Engineering， 2023， 11（9）： 3082-3101.
[19]	WU C， FU J， HUANG X， et al. Lithium-ion Battery Health State Prediction Based on VMD and DBO-SVR［J］. Energies， 2023， 16（10）： 3993.
[20]	WANG K， GAO Q， PANG X， et al. Estimating the Health State of Lithium-ion Batteries Using an Adaptive Gated Sequence Network and Hierarchical Feature Construction［J］. Batteries， 2024， 10（8）： 278.
[21]	SALEK F， RESALATI S， AZIZI A， et al. State of Health Prediction of Electric Vehicles’ Retired Batteries Based on First-life Historical Degradation Data Using Predictive Time-series Algorithms［J］. Mathematics， 2024， 12（7）： 1051.
[22]	HE W， WILLIARD N， OSTERMAN M， et al. Prognostics of Lithium-ion Batteries Based on Dempste-shafer Theory and the Bayesian Monte Carlo Method［J］. Journal of Power Sources， 2011， 196（23）： 10314-10321.

优化变量	类型	搜索范围
学习率η	连续	［0.001，0.01］
GRU隐藏层单元数H	整数	［50，100］
L2正则化系数λ	连续	［0.0001，0.1］

优化变量	类型	搜索范围
学习率η	连续	［0.001，0.01］
GRU隐藏层单元数H	整数	［50，100］
L2正则化系数λ	连续	［0.0001，0.1］

模型	输入（L×F）	CNN配置（filters/层数）	RNN（类型/层数/单元）	Attention	Dropout	输出
WOA-CNN-GRU-SA	1×3	16→32（2层）	GRU/2层/h^*	Self-Attention×2	0.01	1
WOA-CNN-LSTM-SA	1×3	16→32（2层）	LSTM/2层/h^*	Self-Attention×2	0.01	1
WOA-CNN-GRU	1×3	16→32（2层）	GRU/2层/h^*	无	0.01	1
WOA-CNN-LSTM	1×3	16→32（2层）	LSTM/2层/h^*	无	0.01	1
CNN-GRU	1×3	16→32（2层）	GRU/2层/h₀	无	0.01	1
CNN-LSTM	1×3	16→32（2层）	LSTM/2层/h₀	无	0.01	1

模型	输入（L×F）	CNN配置（filters/层数）	RNN（类型/层数/单元）	Attention	Dropout	输出
WOA-CNN-GRU-SA	1×3	16→32（2层）	GRU/2层/h^*	Self-Attention×2	0.01	1
WOA-CNN-LSTM-SA	1×3	16→32（2层）	LSTM/2层/h^*	Self-Attention×2	0.01	1
WOA-CNN-GRU	1×3	16→32（2层）	GRU/2层/h^*	无	0.01	1
WOA-CNN-LSTM	1×3	16→32（2层）	LSTM/2层/h^*	无	0.01	1
CNN-GRU	1×3	16→32（2层）	GRU/2层/h₀	无	0.01	1
CNN-LSTM	1×3	16→32（2层）	LSTM/2层/h₀	无	0.01	1

Layer	Activation function	Output data shape
Input	N/A	None，1，3
CNN1（Convolutional 2D）	Relu	None，1，16
CNN2（Convolutional 2D）	Relu	None，1，32
Pooling Layer	N/A	None，1，32
Flatten Layer	N/A	None，32
GRU Layer 1	Tanh	None，1，50
Self-Attention Layer 1	N/A	None，1，50
Fully Connected Layer 1	N/A	None，1，1
Dropout Layer	N/A	None，1，1
GRU Layer 2	Tanh	None，50
Self-Attention Layer 2	N/A	None，50
Fully Connected Layer 2	N/A	None，1
Output	N/A	None，1