面向锂离子电池的物理约束长时域健康状态预测及显式恢复校正方法

《Journal of Energy Storage》：Physics-constrained long-horizon state of health prediction with explicit recovery correction for lithium-ion batteries

　　充电脉冲MTPI方法可在无需EIS/DRT硬件的条件下实现常规老化探测。KARN可校正链式SOH预测中由容量恢复引起的漂移。KWW-Arrhenius约束可识别二次利用电池中的恢复幅度。该算法的SOH链式预测均方根误差（RMSE）达到0.97%，并在三个数据集上实现了迁移。显式恢复校正可避免误判寿命终点（EOL），并将容量误差降至6.9 mAh。**引言**随着电动汽车的普及，可用于二次储能退役锂离子电池的数量不断增加[1]。汽车用锂离子电池还必须满足严苛的性能和成本要求[2]、[3]，而退化诊断仍然充满挑战，尤其是对于含硅电极[4]。因此，电池管理和退役决策需要可靠的电池健康状态（SOH）预测。对于长周期预测，微小的预测偏差会在递归更新过程中不断累积，从而扭曲寿命终点（EOL）的判定和剩余容量的估计[5]、[6]。SOH预测方法一般包括基于模型的方法、数据驱动方法和物理信息方法[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]。数据驱动方法由于所需的机理参数较少，因而具有车载应用吸引力。然而，其准确性取决于输入特征。成熟的诊断技术——增量容量分析[19]、电化学阻抗谱[20]以及弛豫时间分布（DRT）分析[21]、[22]——可以提供有价值的退化特征，但通常需要专用仪器或完整的充放电曲线，这限制了其车载部署。因此，从充电脉冲弛豫数据中提取健康特征仍然是一个挑战。除了特征提取之外，长周期SOH预测还必须考虑电池老化过程中的容量恢复[23]、[24]、[25]、[26]。容量恢复可能会暂时增加测量容量并打断单调退化趋势。如果不对此进行建模，这些波动可能会在递归预测中放大漂移。表1从恢复策略、预测目标和物理可解释性等方面，对比了具有代表性的容量恢复感知型SOH预测方法。尽管取得了这些进展，在现实部署条件下进行递归SOH预测仍面临三个尚未解决的问题。第一，信号分解方法通常将恢复与退化视为可分离的组分，但实际上两者在电化学上是耦合的[25]、[26]。这种简化可能会扭曲提取出的退化趋势。第二，许多校正方法使用阈值或回归来估计恢复幅度，对弛豫动力学的应用有限。第三，对称损失函数对过预测和欠预测的惩罚相同，而退化预测在实际中后果是不对称的。这些问题会导致递归SOH预测发生漂移，从而产生有偏差的EOL时间和容量估计。尽管容量恢复与退役阶段评估密切相关，但容量恢复引起的递归漂移对EOL时间和可用容量估计的量化影响仍未得到充分刻画。针对上述局限性，本研究开发了一个物理约束的SOH预测框架，主要贡献包括以下四点：（1）提出了一种MTPI方法，能够在无需专用阻抗谱硬件的情况下，从充电脉冲弛豫响应中提取三个基于电化学原理的健康指标。（2）引入了一种受退化不可逆性启发的步长自适应非对称损失的双向LSTM（BiLSTM），以抑制递归SOH高估并提高链式稳定性。（3）提出了一种KWW-Arrhenius约束的恢复网络，用于定位、量化和补偿链式SOH轨迹中由恢复引起的偏差。KWW-Arrhenius正则化对跨越静置时间和温度条件的已学习恢复动力学施加约束。（4）该框架在一个由32节NCM811 TBSI电池组成的群组上进行开发和评估，并采用电池不相交的划分方案。组件级外部验证使用SNU NMC811/Gr-SiO?和UConn LFP/石墨群组对MTPI进行了检验，并使用CALCE LiCoO?/石墨电池对恢复校正进行了检验。**各章节摘要****方法**锂离子电池SOH的演变反映了不可逆退化和可逆容量恢复的共同作用，而大多数数据驱动方法仅对退化部分进行建模。所提出的框架将这些效应分离为三个模块（图1）：MTPI特征提取（第2.1节）、TI-BiLSTM退化预测（第2.2节）和KARN恢复校正（第2.3节）。第2.4节定义了评估协议。该框架引入了物理**结果与讨论**本节首先验证输入特征和退化预测器，然后评估恢复校正、鲁棒性以及应用层面的性能。**结论**本研究开发了一个用于长周期SOH预测的物理约束框架，通过将退化主导的演变与恢复引起的偏差分离开来。MTPI提供了一种紧凑的多时间尺度健康表征，不可逆性引导的非对称损失提高了递归稳定性，KARN则缓解了恢复引起的轨迹漂移。消融实验结果表明，恢复校正和温度依赖性漂移校准提供了最大的轨迹级增益，而**作者贡献声明****蒲洪涛：** 撰写——初稿、概念设计。**王亚男：** 撰写——审阅与编辑、概念设计。**宗黎明心：** 方法论。**张大鹏：** 软件。**韩学兵：** 方法论。**魏敏：** 资源、项目管理、资金获取。**杨金鑫：** 软件。**王硕峰：** 验证。**姬昌玮：** 撰写——审阅与编辑、监督。**生成式AI及AI辅助技术在写作过程中的声明**AI辅助语言编辑工具仅用于提升语法、清晰度和文风。本工具未生成或修改任何科学内容、数据、图表、分析或结论。所有作者均审阅和编辑了整篇手稿，并对最终内容承担全部责任。**资助**本工作得到了以下项目的支持：智能绿色车辆与出行国家重点实验室开放基金项目（批准号：KFY260101）、广西科技重大专项（批准号：桂科AA23062087）、国家重点研发计划（批准号：2023YFC3009900）、先进内燃动力国家重点实验室开放研究项目（批准号：K2026-10）以及国家自然科学基金（批准号：62103220）。**利益冲突声明**作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。