基于物理信息可解释机器学习的锂离子电池混合健康状态估算与剩余使用寿命预测研究

《Batteries》：Physics-Informed Explainable Machine Learning for Hybrid State of Health and Remaining Useful Life Estimation of Lithium-Ion Batteries

　　

摘要

精确的健康评估对于锂离子电池储能系统的可靠且经济高效的运行至关重要。本研究提出了一种基于物理信息且可解释的机器学习框架，用于在异质性模拟运行与老化条件下进行混合健康状态（SoH）估算与剩余使用寿命（RUL）预测。多电芯老化模型表征了容量衰减、电阻增长、热与运行应力以及非线性老化加速。混合健康状态将容量相关与电阻相关的健康信息相结合，而使用寿命终止（EOL）和剩余使用寿命（RUL）则严格依据80%容量保持率标准来定义。泛化能力通过逐电芯验证和留一电芯交叉验证进行评估，其中右删失电芯从精确的RUL误差计算中排除。在主要评估中，梯度提升方法实现了0.340个百分点的SoH均方根误差和R² = 0.9979，而随机森林方法提供了较低的RUL均方根误差为239.5个循环，R² = 0.9278。全电芯自助法分析、模拟分布漂移测试以及扩展的特征消融实验进一步评估了不确定性和鲁棒性。可解释性分析表明，模型与累积电热应力、充电阶段行为以及脉冲电阻之间存在强关联。结果表明，该框架具有强大的基于模拟的预测能力，同时在RUL的泛化与不确定性方面揭示了显著的电芯间差异。仍需独立的实验验证以确立向实际电池系统的可迁移性。