考虑荷电状态依赖性的锂离子电池领域适应健康状态估计

《Journal of Energy Storage》:Domain adaptation state of health estimation for lithium-ion batteries accounting for state of charge dependence

【字体: 大 中 小 】 时间:2026年10月23日 来源:Journal of Energy Storage 10.7

编辑推荐:

   • 提取了机械、电气和热特征,并分析了它们的SOC依赖性。 • 验证了NMC和LFP电池中特征的SOC依赖行为存在显著差异。 • 实验证明低SOC依赖特征有助于提升模型性能和稳定性。 • 提出了一种基于MMD的DA方法,融合Transformer和KAN以提升泛化能力。 •

  

• 提取了机械、电气和热特征,并分析了它们的SOC依赖性。
• 验证了NMC和LFP电池中特征的SOC依赖行为存在显著差异。
• 实验证明低SOC依赖特征有助于提升模型性能和稳定性。
• 提出了一种基于MMD的DA方法,融合Transformer和KAN以提升泛化能力。
• 将所提模型与低SOC依赖特征相结合可获得更优性能。

引言
随着全球能源结构转型的推进和碳中和目标的推广,电动汽车(EV)作为传统燃油车的替代方案,已成为交通领域低碳发展的关键方向[1]。在政策支持和技术创新的双重驱动下,电动汽车产业快速发展,市场规模稳步扩大[2]。然而,其广泛应用仍面临诸多挑战,包括续航里程有限、安全风险、电池寿命短以及环境影响[3]。作为电动汽车的核心部件,电池直接决定了车辆的可靠性、性价比和环境效益[4]。在此背景下,电池管理系统(BMS)在提升电动汽车整体性能、延长电池寿命和确保运行安全方面发挥着至关重要的作用。BMS能够实现对电池状态的精确估计和动态均衡,其中健康状态(SOH)的精确评估尤为关键[5][6]。SOH直接影响电动汽车的续航里程、使用寿命以及梯次利用潜力[7][8]。高精度SOH估计不仅有助于优化充放电策略和防止电池故障,还为电池梯次利用和回收提供了数据支撑,进一步减少资源消耗和环境污染,与循环经济和全生命周期碳排放减排的政策方向相一致[9][10]。此外,识别锂析出等内部机制对于制定面向行业的长期电池安全路线图至关重要[11]。为应对这些复杂行为,物理信息神经网络近年来在预测储能器件的退化轨迹和剩余使用寿命方面展现出卓越潜力[12]。

SOH通常基于电池的内阻或容量进行定义[13]。本研究将SOH定义为电池当前最大容量与新电池容量的比值(SOH = C_current/C_original × 100%)。目前,SOH估计方法可分为三类:直接测量法、基于模型的方法和基于数据驱动的方法[14][15][16]。

直接测量法通过混合脉冲功率特性(HPPC)和电化学阻抗谱(EIS)等测试获取内阻来计算SOH[17][18]。虽然简单有效,但依赖特定设备和条件,不适合车载应用[19]。库仑计数法通过电流积分估计SOH。由于实际车辆很少完成完整的充放电循环,该方法精度有限[20]。

基于模型的方法分为两类:基于电化学模型(EM)和等效电路模型(ECM)的方法。基于EM的方法通过求解电池电化学反应的偏微分方程来估计SOH。然而,涉及大量难以识别的参数和复杂计算,不适用于车载环境[21]。Gao等人[22]提出了一种降阶电化学模型结合双非线性滤波器,用于SOC和SOH的联合估计。该方法使用Padé近似简化伪二维模型。然而,简化过程也降低了估计精度。同时,该方法在实际应用中的参数识别仍然困难。

基于ECM的方法用电阻和电容模拟电池外部特性,并利用滤波算法估计SOH[23]。Chang等人[24]提出了一种改进的等效电路模型,在中低频域中集成了固体电解质界面(SEI)膜电阻和电荷转移电阻,旨在提高锂离子电池SOH估计的精度和效率。该方法简单且计算量小,但在实际应用中面临两个关键挑战。首先,需要大量实验来校准模型参数。其次,这些参数随电池退化而逐渐变化,充电参数的在线识别仍然困难。

数据驱动方法将SOH估计视为黑箱问题。通过从运行数据中提取与老化相关的特征并利用历史数据训练机器学习模型,建立特征与SOH之间的映射关系[25][26]。这些方法具有较强的非线性拟合能力,能够自动提取深层老化相关特征,消除了对复杂物理模型的依赖[27]。随着大数据时代的到来,云化BMS正在兴起,数据驱动方法在SOH估计中具有广阔的应用前景[28]。近年来,涌现出多种基于数据的SOH估计方法,包括GPR(高斯过程回归)、SVM(支持向量机)、BPNN(反向传播神经网络)、LSTM(长短期记忆网络)、Transformer和CNN(卷积神经网络)。Bai等人[29]提出了一种基于卷积Transformer的多视图信息感知框架,融合电压和电流信号的多视角信息以实现精确SOH估计。Ma等人[30]从充放电过程中提取与电压、电流和温度相关的健康指标,并使用改进的LSTM网络进行SOH估计。Mondal等人[31]针对数据有限的情况,提出了一种基于GPR的自适应迁移学习方法用于锂离子电池SOH估计。Gu等人[32]提出了一种基于CNN–Transformer框架的SOH估计方法,结合了CNN的局部特征提取能力和Transformer的长距离依赖捕获能力。

尽管上述方法在锂离子电池SOH估计中取得了良好的性能,但它们未深入探索模型的泛化性能。此外,数据驱动方法的有效性高度依赖于数据的质量和数量[33]:如果训练数据质量差或覆盖范围有限,模型的泛化性能将显著下降。尽管我们处于大数据时代,可以获取大量电池运行数据,但如何充分利用这些数据仍然具有挑战性[34]。具体而言,部分充放电循环中电池的SOH标签难以获取,导致大量运行数据缺乏可靠标注。虽然在实验室环境中可以通过定期容量标定来拟合SOH标签,但在实际场景中,容量标定不仅耗时耗资,而且仅限于制造商的测试车辆,导致数据获取有限且场景覆盖范围狭窄[35]。

针对这一问题,域适应(DA)已成为主流解决方案。DA方法可分为两类:基于分布差异度量的方法(DA-DDM)和基于生成对抗网络的方法(DA-GAN)[36]。DA-DDM直接在源域和目标域的特征分布之间定义一个距离,并将该距离作为优化目标的一部分。这迫使网络学习域不变特征。Li等人[37]构建了一个三阶段域适应框架,集成了最大均值差异(MMD)、简化mixup域适应和微调。针对不同正极材料锂离子电池之间的域偏移问题,该框架利用片段化充电数据实现了高精度的跨材料SOH估计。Duan等人[38]提出了一种通用的单源迁移学习框架,采用Wasserstein距离作为分布度量。该方法首先根据特征分布相似度选择最合适的源域数据,然后通过源域预训练和目标域微调来对齐域分布。Ma等人[39]以卷积神经网络为骨干网络,构建了结合多分布MMD对齐与粒子群优化的域适应框架。该框架缓解了电池数据中的域偏移问题,实现了个性化的健康状态估计。

DA-GAN通过域判别器和特征提取器之间的对抗训练来实现。特征提取器学习生成特征,使得判别器无法识别其域来源,从而实现分布对齐。Liu等人[40]集成了CNN和BiLSTM,采用基于对抗训练的域适应算法提取域不变特征并增强模型泛化能力。Deng等人[41]基于一维深度卷积神经网络构建了域适应框架,其中引入了结合梯度反转层的域对抗神经网络。

为降低SOH估计模型对训练数据覆盖范围的依赖性,本研究对机械、电气和热特征在完整和部分充放电循环中的稳定性进行了全面比较和分析。这意味着考虑了充电起始SOC对特征的影响。虽然一些现有研究考虑了SOC对特征的影响,但它们大多关注不同SOC水平对ECM参数和EIS参数的影响(如Tran等人[8]、Dong等人[42]、Zhang等人[43])。很少有研究考察充电起始SOC对增量容量(IC)曲线特征和膨胀特征等的影响。本研究主动探索特征与充电起始SOC之间的相关模式,有助于优化SOH估计框架,解决模型在不同充电起始SOC和DOD条件下适应性不足的问题。

同时,为充分利用大量未标注的电池运行数据,本研究提出了一种基于MMD的新型DA方法,融合了Transformer和Kolmogorov–Arnold网络(KAN)。

具体而言,所提方法相对于现有域适应(DA)方法的增量创新性体现在两个方面。首先,从数据中心的视角,不同于忽略部分循环中特征变化的传统DA方法,我们在域对齐之前引入了弱SOC依赖性准则,从根本上防止了负迁移。其次,在架构层面,我们在Transformer中将标准MLP替换为Kolmogorov–Arnold网络(KAN)。虽然Transformer擅长捕获时间序列的长距离依赖,但KAN提供了强大的基于B样条的非线性拟合能力。这一特定的架构升级显著增强了复杂电池退化的非线性适应能力,从而为数据未标注或部分标注情况下的SOH估计奠定了坚实基础。

本文的主要贡献总结如下。

1. 本研究在慢充和快充条件下全面比较了机械、电气和热特征的SOC依赖性及相关性,揭示了特征SOC依赖性对电池模型泛化能力的影响,并提出了新的特征选择参考准则。

2. 本研究引入了一种基于MMD的域适应方法,结合了Transformer和KAN。该架构将KAN与Transformer集合作为特征提取器,然后使用KAN作为域适应回归器。该方法在包括快充和动态驾驶循环的实验室测试中得到验证,SOH估计精度显著提高。

3. 基于我们的实验数据,本文进一步分析了特征SOC依赖性的普遍性和特性。此外,在权威公开数据集上的验证证实了考虑特征SOC依赖性的有效性,以及所提域适应方法的优越性。

本文后续结构如下:第2节介绍实验室数据集及相关特征工程,以及分析特征SOC依赖性的实验;第3节阐述Transformer、KAN和DA方法的原理;第4节比较并分析特征SOC依赖性和DA方法的性能;第5节对全文进行综合系统总结。

数据集描述
本研究使用了由Peyman Mohtat等人[44][45]开发的公开电池老化数据集,称为MIC数据集。该MIC数据集包含21个软包电芯的老化循环测试数据。测试在三种温度条件下和两种不同放电深度(DOD)水平下进行,涉及多种老化循环模式。测试期间记录了电芯膨胀、电流和电压等参数。软包电芯的标称容量为5.0 Ah,工作

方法
在本研究中,我们对不同类型的域适应方法及其神经网络架构进行了全面比较。基于此分析,我们提出了一种融合Transformer、KAN和MMD的新型域适应方法。所提方法的有效性在快充、慢充和实际驾驶场景下得到了验证。所提方法的SOH估计框架如图3所示。

结果与讨论
本文选择平均绝对百分比误差(MAPE)、均方根百分比误差(RMSPE)和最大绝对误差(MAX-AE)作为评估模型性能的性能指标。

MAPE=1n∑i=1n|yi?yi?yi| RMSPE=1n∑i=1n(yi?yi?yi)2 MAX ? AE=max(|yi?yi?|)
其中 yi 是实际值,yi? 是估计值。表 5 概述了 Transformer-KAN 模型架构,而表 6 详细说明了模型训练使用的超参数。在表 6 中,λ代表
结论 实验分析表明,某些特征在不同的初始充电 SOC 水平下变化显著。IC 曲线特征在 LFP 和 NMC 电池中都表现出强烈的 SOC 依赖性,而与弛豫电压曲线相关的特征在 LFP 电池中表现出明显的 SOC 依赖性,但在 NMC 电池中保持稳定。这表明相同类型的特征在不同电池化学体系中表现出不同的 SOC 依赖性。通过按 SOC 依赖性对特征进行分组,我们发现
CRediT 作者贡献声明
Li Wang: 撰写 – 初稿,验证。Changpeng Tan: 撰写 – 审阅与编辑,方法学。Ji Wu: 调查。Ning Chen: 监督。Muyao Wu: 调查,概念化。
稿件准备过程中生成式 AI 和 AI 辅助技术的声明
在准备本工作期间,作者使用了 DeepSeek 以完善手稿。在使用该工具后,作者根据需要审查和编辑了内容,并对发表文章的内容承担全部责任。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本论文报告的工作。
致谢
本工作部分由中国国家自然科学基金 (Grant 62303150) 支持;部分由安徽省自然科学基金 (No. 2508085QE150) 支持,西华大学研究平台开放项目 (No. QCCK2025-0014) 支持。
Li Wang|Changpeng Tan|Ji Wu|Ning Chen|Muyao Wu
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