日历老化条件下锂/CFx一次电池剩余容量估算:基于阿伦尼乌斯模型的随机森林与残差迁移学习方法

《Journal of Power Sources》:Remaining capacity estimation of Li/CFx primary batteries under calendar aging: An Arrhenius-guided random forest model with residual transfer learning

【字体: 大 中 小 】 时间:2026年01月14日 来源:Journal of Power Sources 8.4

编辑推荐:

  阮睿|刘文|马尚德|李大伟|孙涛|郑月九中国上海科技大学机械工程学院,上海200093摘要在数据一致性差且数量有限的条件下,为估算锂/氟化碳(Li/CFx)电池的剩余容量,本文提出了一种基于残差修正的迁移学习容量估算方法,该方法结合了机理建模与数据驱动策略。首先选取一致性较好的软

  阮睿|刘文|马尚德|李大伟|孙涛|郑月九中国上海科技大学机械工程学院,上海200093摘要在数据一致性差且数量有限的条件下,为估算锂/氟化碳(Li/CFx)电池的剩余容量,本文提出了一种基于残差修正的迁移学习容量估算方法,该方法结合了机理建模与数据驱动策略。首先选取一致性较好的软包电池样本,建立基于阿伦尼乌斯方程的容量衰减模型,并通过拟合得到关键参数。利用这些拟合参数反推所有电池的剩余容量,重构整个容量衰减过程,从而扩充容量衰减数据集。随后,利用能够反映电池内部状态的开路电压和内阻,构建随机森林回归模型用于容量估算。在模型迁移阶段,将软包电池的训练模型迁移到数据有限的圆柱形电池上,并采用高温(65℃)条件下的残差修正模型提升迁移估算的准确性。实验结果表明,与25℃条件下的直接迁移方法相比,该方法的平均绝对误差和最大绝对误差分别降低了1.96%和3.16%。这项研究为估算Li/CFx电池的剩余容量提供了一种可靠且可迁移的解决方案。引言锂/氟化碳一次电池因其高能量密度、长存储寿命以及低自放电率,被广泛应用于军事、航空航天和遥感领域[[1], [2], [3]]。尽管具有低自放电率和强抗冲击性,但锂/氟化碳电池在长期储存过程中仍会经历日历老化现象,导致其容量逐渐下降。日历老化是指电池在储存期间由于内部化学反应、温度变化等因素导致的容量降低现象[4,5]。对于锂离子电池而言,温度是影响日历老化的最重要因素之一。尤其是在高温环境下,电池的化学反应速率会增加,从而导致电池寿命缩短。此外,当电池长时间处于高充电状态或低充电状态时,也会加速日历老化[6],因为这些状态会增加电池内部应力,进而影响电池的稳定性。为了更好地预测和管理日历老化,研究人员通常会进行加速老化试验,通过提高温度、改变充电策略等方法模拟电池在长期储存过程中的行为,从而获得更精确的老化模型。这些研究不仅有助于延长电池的寿命,还为实际应用中电池的维护和管理提供了重要的理论基础。电池的容量估算不仅与其在使用过程中的能量保持能力有关,还直接影响电池在需要时的可靠性与安全性。这种容量衰减过程是不可避免的,尤其是在不当储存条件下,锂/氟化碳电池的性能可能会下降,进而影响其可用性。由于锂/氟化碳电池是不可充电的[7],其使用周期通常较短,且无法通过充电恢复性能。因此,在电池使用过程中准确估算其剩余容量显得尤为重要。然而,尽管锂/氟化碳一次电池在各个领域具有巨大潜力,但准确估算其剩余容量仍是一项具有挑战性的任务[8,9]。虽然关于二次电池的剩余容量和寿命预测已有大量研究,但针对锂/氟化碳一次电池的剩余容量估算研究几乎空白。目前,锂离子二次电池的日历寿命估算方法主要包括电化学模型、等效电路模型、数据驱动模型、经验公式以及经验衰减模型等多种途径[[10], [11], [12]]。电化学模型通过模拟电池内部的化学反应、离子传输以及电流流动过程来预测电池的寿命。典型的电化学模型包括伪二维模型和单粒子模型[13]。这些模型能够准确描述电池的电化学行为,但计算成本较高,通常用于实验室研究和理论分析中。等效电路模型则通过将电池的电学特性转化为由电阻器和电容器等元件构成的电路,简化了电池建模过程,从而能够快速预测不同工作条件下的容量变化。常见的等效电路模型包括Rint模型、一阶RC模型以及二阶RC模型。这些模型的计算复杂度较低,适合实时预测,但在模拟电池的电化学过程时存在一定局限性。数据驱动模型则利用大量的历史电池数据进行训练,学习电池老化过程的规律。常见的数据驱动模型包括人工神经网络、支持向量机以及长短期记忆网络。这些方法不依赖于电池的电化学细节,能够在复杂的工作条件下提供更准确的预测结果,尤其适合用于电池管理系统中的实时在线预测。经验公式和衰减模型则是通过拟合长期的观测数据,提出简化的经验公式来估算电池的日历寿命。例如,阿伦尼乌斯模型和莫里斯模型可以通过温度和充电状态等因素的变化来预测电池寿命,而衰减模型则假设老化过程遵循指数或线性衰减规律。尽管这些方法的计算成本较低且易于实现,但其精度相对较低,仅适用于已知条件下的粗略估算。此外,加速老化试验以及多维度信号融合方法则可以在高温、大电流等加速老化条件下获取老化数据。通过结合多种传感器信号,这些方法能够更准确地估算电池的日历寿命,尤其有助于预测电池在不同环境条件下的性能。韩等人[23]指出,日历老化是由SEI膜增厚和电解液氧化等副反应驱动的,其中高温和高充电状态是主要的加速因素。通过将充电状态控制在50%至70%之间,同时将温度保持在35℃以下,可以延缓超过30%的容量衰减,他们建议电池管理系统采用“温度-充电状态-日历时间”三维模型来实现剩余寿命的在线更新。赛义德·萨伊德·马达尼等人[24]则深入研究了日历老化对锂离子电池容量的影响,并分析了各种关键变量对电池寿命的作用。在高温和高充电状态下,电池的容量衰减速率会显著加快。例如,在25℃的环境中,若以100%的充电状态储存10个月,NMC-石墨电池的容量可能会下降约6.4%,而对于电极颗粒尺寸较小的电池,在相同条件下容量下降幅度可超过22%。这种容量衰减主要归因于固体电解质界面膜的增厚,从而导致可用锂离子量的减少,这一现象被称为“锂库存损失”[25]。此外,研究者们还识别并分析了影响电池老化的多种因素,主要包括高温会加速SEI膜增厚,进而导致锂库存损失;低温则可能引发锂金属沉积,增加电池内阻。将电池保持在高充电状态会加速容量衰减,尤其是在高温环境下这种效应更为明显。在刘等人的研究中[26],他们研究了不同设计及正极材料的锂/氟化碳电池,并开发出一种可靠且无损的充电状态估算方法。研究人员采用了多种开路电压模型来估算锂/氟化碳电池的充电状态,包括多项式模型、简化的电化学模型、傅里叶模型以及高斯模型。经过测试,多项式模型在充电状态估算方面的准确性最高,其拟合误差小于±0.05伏特。洛佩斯-伊巴拉等人[27]通过敏感性分析指出,日历老化对锂离子电池的能量消耗影响最大,其中高充电状态和高温储存是主要的加速因素。基于此设计的能量管理策略能够在整个生命周期内将额外的容量损失降低6%至8%。近年来,由于强大的建模能力,数据驱动技术已成为电池健康状态估算和剩余使用寿命预测的重要工具。在剩余使用寿命预测方面,现有研究提出了多种创新方法。例如,王等人总结了数据驱动技术在电池剩余使用寿命预测中的应用[28],分析了深度学习、机器学习以及混合模型等多种技术,并探讨了它们在不同工作条件下的优缺点。该综述为电池寿命预测提供了详细的技术框架,同时也指出了未来研究的潜在方向。在具体的剩余使用寿命预测方法中,周等人[29]提出了一种基于Informer模型的多特征提取与贝叶斯优化方法。他们通过引入Informer模型来模拟长序列的时间依赖关系,显著提升了预测精度。同时,贝叶斯优化技术可用于自动调整超参数,从而使模型更加稳定,提升其泛化能力。研究表明,深度学习模型,尤其是基于Transformer的模型,在处理锂离子电池的长周期衰减数据方面具有显著优势。相比之下,王等人[30]则采用了物理信息神经网络来估算电池的健康状态。他们通过结合电池充电过程中的部分数据以及电池的物理衰减机制,提出了一种高效且具有高度泛化能力的模型。该方法不仅提升了电池健康状态估算的精度,还为不同类型电池的应用提供了可能的解决方案。该研究展示了将物理模型与数据驱动模型相结合的巨大潜力,为当前的研究提供了宝贵的参考。此外,陶等人[31]提出了一种物理信息学习方法,该方法能够实现将早期循环阶段的电气信号与电池的衰减模式进行无损分离。他们设计了一组与电池的電化学及物理过程密切相关的特征,这些特征完全来自多步骤充电过程中容易获取的电压和电流信号,而不需要依赖破坏性或耗时的实验测量。具体而言,这些特征包括在不同充电倍率下每个充电步骤的截止电压(反映了不同充电状态下的“充电接受能力”)、电压梯度、恢复过程中的电压降或松弛现象的幅度及衰减动态,以及代表电化学或浓度极化动力学的等效阻抗和极化指标。通过采用从低充电倍率逐步升高到高充电倍率的多步骤充电策略,电池会经历不同的电流强度,这既会激发热力学主导下的过程(在低电流区域),也会激发动力学主导下的过程(在高电流区域)。因此,所提取的特征既包含了电池本身或批次间的固有差异(如制造差异、初始状态),也包含了与循环使用相关的衰减演变过程。基于这些包含物理信息的特征以及早期循环数据,可以训练机器学习模型来预测电池的整个生命周期轨迹(即容量/性能随时间的衰减情况),而不仅仅是预测单一的寿命终点。这种方法相比传统的容量校准方法,能够大致快25倍地实现电池轨迹预测,平均精度可达95.1%。该研究充分体现了将物理知识融入数据驱动框架的巨大潜力,尤其在加快诊断速度以及提升不同温度和电池设计条件下的模型泛化能力方面表现突出。陶等人[32]则开发了一种自适应机器学习框架,该框架通过可解释的特征工程和领域对齐技术,解决了跨不同运行条件下的电池寿命预测问题。研究者们并没有简单地将原始的循环数据(完整的电压/电流曲线以及完整的运行历史记录)输入到深度学习的“黑箱”中,而是首先设计并提取了一组与电池的电化学机制及老化机制密切相关且具有可解释性的特征。这些特征能够清晰地(或至少在一定程度上清晰地)反映电池的衰减状态、老化速率以及行为变化,从而便于从物理层面进行分析,并实现不同运行条件下的对比。为了解决由于不同的运行方案(不同的循环模式、温度以及材料批次)导致的数据分布差异问题,研究者们引入了基于领域对齐的自适应策略。通过这种方式,即使在之前未曾出现过的不同条件下,基于某一组条件训练得到的模型依然能够保持出色的预测性能。他们的实验结果表明,仅需前120次循环的数据就足以实现准确预测,在复杂的未知条件下也能达到90.3%的预测精度。换言之,该框架并非仅为特定条件而设计,而是为多样化的实际应用条件而打造,具备广泛的泛化能力以及较高的工程应用潜力。因此,无需等到电池接近寿命终点才进行长时间的寿命测试(全循环测试),只需利用早期循环数据即可预测电池未来的寿命发展趋势。这种能力极大提升了效率,适用于大规模筛选、批量生产质量控制,以及退役或重复使用电池的寿命估算。该方法具有轻量、高效、快速的特点,因此非常适用于工业级应用。与大量专注于可充电锂离子电池(二次电池)使用寿命预测的研究相比,针对一次电池——如Li/CFx电池——的寿命估算研究仍然极为有限。由于二次电池数据丰富,使得复杂的机器学习及深度学习方法得以应用,而一次电池因不可充电、使用周期较短且降解轨迹较少,相关数据十分匮乏。这种数据短缺给特征提取、模型训练和泛化能力带来了独特挑战。我们的研究正是针对这一尚未充分探索的领域展开的。Li/CFx电池的制造过程较为复杂,导致电池一致性存在显著差异,这给其剩余容量の精确估算带来了更大挑战。因此,建立能够考虑一致性差异的容量估算模型,可为电池健康管理和使用寿命预测提供更可靠的依据。本研究的创新点包括:①提出一种基于电池机制模型、利用一致性良好的电池数据来反推并扩展数据集的策略,以解决数据不足条件下一致性较差电池的容量估算问题;②引入OCV和R等高度相关的物理特征,提升模型的物理可解释性和跨领域泛化能力;③结合迁移学习和残差校正技术,实现不同类型电池及不同工作条件下的高精度容量估算。本文的结构如下:第二章介绍软包电池剩余容量测试方法;第三章阐述用于容量估算的物理模型、机器学习模型及迁移学习模型;第四章展示容量估算结果;第五章对全文进行总结。

实验部分
本实验旨在探究不同温度和储存时间对Li/CFx一次软包电池及圆柱形电池性能的影响。针对软包电池实验,设置了25℃、55℃、65℃和75℃四种温度条件,共有158节电池参与了测试。具体的储存时间安排为:在25℃条件下,储存时间为0天、30天、90天、180天、290天和365天,每个时间点测试3节电池;在55℃条件下……

概述
本文采用基于阿伦尼乌斯方程的半经验模型与RF算法相结合的方法,用于估算不同温度和储存时间条件下Li/CFx一次软包电池的容量衰减特性。具体流程如图1所示。首先,利用初始R值和OCV值一致性较好的电池数据,基于阿伦尼乌斯方程建立剩余容量衰减模型。其次,利用实验数据拟合参数……

阿伦尼乌斯公式寿命模型
为揭示不同温度储存条件下Li/CFx一次软包电池的容量衰减规律,本文采用阿伦尼乌斯方程建立模型,并根据实验数据确定相关参数。由于实际一次电池制造过程中电池之间存在不可避免的一致性差异,每节电池的初始容量并不完全一致。因此,根据初始R值和OCV指标挑选出一致性较好的电池样本。

结论
本研究解决了在电池一致性较差的情况下对Li/CFx软包电池及圆柱形电池进行容量估算的难题,提出了一种结合机制建模、数据驱动方法和迁移学习的剩余容量估算方法。首先,基于大量的软包电池数据建立阿伦尼乌斯容量衰减模型,从而反推所有电池的剩余容量;随后又建立了基于RFC的容量估算模型……

RediT作者贡献声明
邓瑞:写作——审阅与编辑,写作——初稿撰写,可视化,验证,监督,软件,资源,项目管理,方法论,研究,资金获取,正式分析,数据整理,概念设计。刘文:概念设计。马尚德:概念设计。李大伟:研究,数据整理。孙涛:概念设计,监督,写作——审阅与编辑。郑跃九:监督。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号