锂离子电池健康状态估计：基于弛豫时间分布与特征优化多层感知器的新方法中文标题

为解决锂离子电池健康状态(SOH)估计中弛豫时间分布(DRT)方法存在的峰重叠与正则化参数主观选择问题，研究人员开展基于RQ元件的DRT方法与特征优化多层感知器(MLP)的研究，实现了高精度、多荷电状态(SOC)下的SOH估计，为电池管理系统(BMS)提供了可靠的阻抗时域分析融合机器学习的新途径。

　　

随着碳中和目标推进与能源短缺问题加剧，电动汽车产业迅猛发展。锂离子电池(Lithium-Ion Batteries, LIBs)因其高能量密度、高功率密度和长循环寿命成为电动汽车的主要动力来源。然而，电池在使用过程中不可避免会发生老化，导致容量和功率下降，进而引发安全与可靠性问题。准确评估电池的健康状态(State of Health, SOH)对电池管理系统(Battery Management System, BMS)的开发至关重要，它直接影响荷电状态(State of Charge, SOC)、功率状态(State of Power, SOP)等关键参数的估计精度。

目前SOH估计方法主要包括模型驱动方法和数据驱动方法。模型驱动方法依赖电化学模型或等效电路模型，虽参数物理意义明确，但需大量实验标定且泛化能力受限。数据驱动方法借助机器学习算法，通过提取健康指标(Health Indicators, HIs)实现SOH估计，但其性能高度依赖HIs的质量与选取策略。电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)蕴含丰富的动力学信息，与SOH高度相关，但传统弛豫时间分布(Distribution of Relaxation Times, DRT)方法因峰重叠、正则化参数选择主观等问题，导致时域特征模糊、稳定性差。

为此，中国汽车技术研究中心有限公司与哈尔滨工业大学的研究人员Fang Wang、Shiqiang Liu、Shiqin Chen等在《iScience》上发表论文，提出了一种基于RQ元件的DRT新方法(RQ-DRT)，结合特征选择算法与多层感知器(Multilayer Perceptron, MLP)，实现了多类型锂离子电池在不同SOC下的高精度SOH估计。

本研究主要采用了以下关键技术方法：基于RQ（常相位角元件）的DRT算法，用于从EIS数据中提取弛豫时间分布特征；Pearson相关系数与最大相关最小冗余(MRMR)算法，用于筛选与SOH高度相关的特征组合；多层感知器(MLP)模型，用于SOH回归估计；实验数据来源于两类商用电池（DLG 18650镍钴锰NCM、Tesla 21700镍钴铝NCA）及一个开放数据集（Zenodo: 3633835），涵盖多SOC条件（15%~100%）下的EIS测试与老化循环。

实验结果

分布弛豫时间分析结果

通过RQ-DRT方法处理不同SOC与老化状态的EIS数据，获得了更具解析度的弛豫时间分布函数。结果显示，所有电池均呈现八个明显峰（P1-P8），其中P5（对应电荷转移过程）与SOH呈强负相关，P6（对应SEI膜阻抗）在不同电池类型中表现不一致。与传统RC-DRT相比，RQ-DRT峰更集中、伪峰减少，特征稳定性显著提升。

特征提取结果

通过Pearson相关系数分析，筛选出与SOH高度相关的单峰（如P5）及组合峰（如P(5,6)、P(5,6,7)）。进一步采用MRMR算法评估特征重要性，消除冗余信息。结果表明，P5、P(5,6)和P(5,6,7)是估计SOH的最优特征子集。

健康状态估计结果

使用MLP模型基于所选特征进行SOH估计，在两类商用电池（S1、S2）和开放数据集（S3）上均取得优异性能。平均绝对误差(MPE)低于2.3%，均方根误差(RMSE)低于2.6%，90%置信区间长度小于1%。模型在15%~75% SOC范围内均保持高精度，且优于线性回归、支持向量机(SVM)和高斯过程回归(GPR)等对比算法。

讨论

不同特征组合的影响

研究表明，单一峰特征（如P5）虽与SOH相关性强，但组合特征（如P(5,6)）能更全面反映电化学过程退化，进一步提升估计精度。MRMR算法有效消除了特征冗余，优化了模型输入。

不同回归算法的比较

MLP在多数场景下表现最优，尤其在电池不一致性显著的S3数据集上误差最低（RMSE=1.95%），且稳定性最佳（置信区间最窄）。SVM和GPR在特定条件下精度较高，但泛化能力与稳定性不及MLP。

结论

本研究提出的RQ-DRT方法显著提升了DRT分析的稳定性与特征可解释性，结合MRMR特征选择与MLP回归，构建了一套完整的SOH估计框架。该方法在多种锂离子电池（NCM、NCA）、不同SOC条件（15%~100%）下均表现出高精度与强鲁棒性，平均估计误差低于3%，为BMS中的实时SOH监测提供了可行路径。未来工作需扩展至磷酸铁锂(LFP)电池、极端老化条件及模组级应用，以进一步提升方法的实用性与泛化能力。