基于阻抗谱椭圆拟合特征与深度迁移学习的锂电池健康状态精准预测

本文创新性地提出基于中低频电化学阻抗谱（EIS）的椭圆拟合特征提取方法，结合GRU-Attention-TL迁移学习框架，实现了跨温度条件的锂电池健康状态（SOH）和剩余寿命（RUL）精准预测。该方法显著降低数据需求，解决传统模型泛化性差和数据驱动方法依赖大量样本的痛点，为电池安全管理和梯次利用提供关键技术支撑。

　　

Highlight

本研究利用频域数据集实现了变温条件下的电池健康状态（SOH）和剩余使用寿命（RUL）预测。首先，创新性地提出基于电池频域阻抗谱的椭圆拟合方法提取健康指标（HIs），该方法仅需部分阻抗谱数据且对数据缺失具有强鲁棒性。随后设计的GRU-Attention模型在单一温度数据集上实现SOH精确估计，迁移学习技术进一步将模型泛化至不同温度场景，验证了跨温度SOH预测的可行性。

Section snippets

电池循环数据集描述

实验采用剑桥大学卡文迪许实验室的锂离子电池老化频域数据集，对12枚45mAh Eunicell LR2032纽扣电池进行恒温（25°C/35°C/45°C）充放电循环测试，通过非破坏性参数测定方法获取阻抗谱数据。

研究方法

提出三阶段技术路线：1）基于阻抗谱曲线椭圆拟合的特征工程；2）带注意力机制的双向门控循环单元（BiGRU）神经网络；3）融合迁移学习的SOH估计与RUL预测框架。其中椭圆拟合专门针对中低频EIS数据优化，显著提升特征表征效率。

实验验证

GRU-Attention模型在SOH估计中展现优异性能，迁移学习使跨温度预测平均绝对误差（MAE）降低至1.5%以内。基于SOH结果的RUL预测表明，结合目标域与离线数据的混合驱动框架可将预测误差控制在3个循环周期内。

Conclusion

该成果通过阻抗谱特征降维和迁移学习架构，突破传统方法对全频段EIS数据和单一温度条件的依赖，为复杂工况下的电池健康管理提供高效解决方案。

（注：严格保留原文技术术语如BiGRU、MAE等中英对照，使用₂O₃规范上下标格式，未包含文献标识[1]等无关元素）