基于增量容量分析与图像特征转换的锂电池健康状态(SOH)集成估计框架

本刊推荐：为解决锂离子电池复杂老化模式下健康状态(SOH)精确估计的难题，研究人员开展了融合增量容量(IC)分析与格拉米角差场(GAF)图像转换的集成学习研究。通过将一维IC曲线转换为二维图像，结合CNN-LSTM特征提取与XGBoost回归算法，在NASA和CALCE数据集上实现了RMSE低于1.76%的精确估计。该研究为电池健康管理提供了创新的多模态特征融合解决方案，显著提升了SOH估计的精度与鲁棒性。

　　

随着可持续能源技术的快速发展，锂离子电池作为核心能源存储单元，已广泛应用于电动汽车、储能电站和军事装备等领域。其高能量密度、长循环寿命和环境友好特性使其成为理想选择。然而，电池在长期使用过程中会出现复杂的电化学性能退化，导致容量衰减和内阻增加等非线性变化。这些变化若管理不当，可能引发严重的安全风险。因此，准确估计电池的健康状态(State of Health, SOH)对提升电池安全管理算法的可靠性和确保电池稳定运行至关重要。

目前SOH估计方法主要分为基于模型的方法和数据驱动方法两大类。基于模型的方法包括电化学模型和等效电路模型，但这些方法计算复杂，难以支持快速SOH估计，且无法很好适应多变的环境条件。数据驱动方法则通过从电池运行参数中隐式提取老化特征来建立与SOH的关联，其中增量容量(Incremental Capacity, IC)分析作为一种常用的非破坏性原位分析技术，通过微分变换从原始充放电数据中推导出IC曲线，并提取峰值、面积等特征参数来分析内部化学反应并估计电池SOH。

然而，传统的IC分析方法存在明显局限性。通常需要对电池循环数据进行滤波和平滑处理以提取显著点，但平滑算法往往会改变原始数据，引入计算复杂性，给在线SOH估计带来挑战。此外，采样频率和滤波器参数的差异进一步增加了准确曲线特征提取的难度，可能导致过拟合或欠拟合，影响结果可信度。

针对这些挑战，研究人员在《Green Energy and Intelligent Transportation》上发表了一项创新研究，提出了一种将IC特征与图像转换技术相结合的综合性SOH估计算法。该研究通过格拉米角差场(Gramian Angular Field, GAF)算法将一维原始IC数据转换为二维图像，利用CNN-LSTM模型从这些图像中提取复杂特征，再输入XGBoost估计器进行SOH预测。

研究采用了几个关键技术方法：使用GAF算法将IC曲线的时间序列数据转换为二维图像；应用三种不同的CNN架构(AlexNet、VGG和ResNet)与LSTM结合进行特征提取；采用XGBoost集成学习方法进行最终SOH估计；使用NASA和CALCE两个公开电池数据集进行模型训练与验证。NASA数据集包含18650型锂离子钴酸电池，额定容量2Ah；CALCE数据集包含CS2系列方形电池，额定容量1.1Ah。

在结果部分，研究通过多个维度展示了实验发现：

通过"电池生命周期IC曲线"分析，研究发现所有电池的IC曲线通常显示两个突出峰值。随着电池老化，这些峰值高度降低且曲线向右移动，这与活性材料损失(LAM)和锂库存损失(LLI)两种退化模式相关。LAM降低了反应强度导致峰值高度降低，而LLI增厚固体电解质界面导致内阻增加，使IC曲线峰值向更高电压移动。

在"IC曲线二维图像特征提取"方面，研究演示了将CS2_35电池第327次充放电循环的IC曲线转换为GAF图像的过程。通过将曲线插值为256个数据点并分割为峰值电压和峰值高度两个序列，将其映射到极坐标系后再转换为二维图像。结果显示，电池老化与GAF图像变化密切相关：在循环14次时(SOH为99.58%)，明亮点高度集中；到循环932次时，明亮点明显分散，峰值强度显著降低，反映了电池容量的实质性损失。

关于"不同CNN-LSTM模型架构性能比较"，研究在NASA数据集上发现ResNet-LSTM模型表现最佳，平均RMSE为5.17%，比VGG-LSTM提高了39.2%。在CALCE数据集上，ResNet-LSTM模型同样表现最优，平均RMSE为2.30%。这种优异性能可归因于ResNet中的残差结构有效缓解了深度网络中的梯度消失问题，实现了更高效的深度特征提取和传输。

最重要的发现来自"CNN-LSTM-XGBoost模型性能"评估。在NASA数据集上，集成XGBoost模块后，平均RMSE显著降低了68.2%，估计RMSE达到1.76%。具体而言，B0005的RMSE降低了72.9%，B0006降低了62.7%，B0007降低了69.4%。在CALCE数据集上，当训练集和测试集充电速率一致时，模型实现了低于1.5%的RMSE；当充电速率变化时，RMSE仍低于2.7%。与传统一维IC方法相比，GAF-IC方法在参数恢复准确性方面表现出明显优势。

研究结论表明，通过将IC曲线转换为二维图像并采用集成学习框架，能够有效解决传统SOH估计方法中的特征提取难题。GAF算法能够保留IC曲线的宏观形态和微观变化，CNN架构能够捕捉图像的局部特征和相关关系，LSTM层能够发现复杂的时间依赖性并进行有效的维度缩减和非线性变换，而XGBoost回归模型则增强了模型对复杂数据模式的适应性。

该研究的重要意义在于提出了一种创新的多模态特征融合解决方案，不仅显著提高了SOH估计的精度和鲁棒性，而且避免了传统方法中健康因子选择和噪声消除的复杂性。这种方法为电池健康管理提供了新的技术路径，特别是在实际应用场景中处理变化操作条件方面表现出强大潜力。未来研究可扩展该方法至电池组模块的在线SOH估计，并评估其在不同充放电速率和宽温度范围内的适应性，进一步推动锂离子电池智能管理系统的创新发展。