基于神经网络的动态到静态增量容量曲线重建方法,用于在动态条件下估计电池的健康状态

《JOURNAL OF POWER SOURCES》:Neural network-based dynamic-to-static incremental capacity curve reconstruction for battery state-of-health estimation under dynamic conditions

【字体: 大 中 小 】 时间:2026年05月08日 来源:JOURNAL OF POWER SOURCES 7.9

编辑推荐:

  新来|肖楠石|姚毅|朱家军|黄云峰|程恩|郑月久 上海科技大学机械工程学院,上海200093,中国 摘要 增量容量(IC)曲线是分析电池退化机制和评估健康状态(SOH)的宝贵工具。然而,其传统应用仅限于低速率恒定电流(CC)条件,这限制了其在实际动态场景中的实用性。

  新来|肖楠石|姚毅|朱家军|黄云峰|程恩|郑月久
上海科技大学机械工程学院,上海200093,中国

摘要
增量容量(IC)曲线是分析电池退化机制和评估健康状态(SOH)的宝贵工具。然而,其传统应用仅限于低速率恒定电流(CC)条件,这限制了其在实际动态场景中的实用性。为了克服这一限制,本研究引入了一种基于神经网络驱动的电压重建的动态到静态IC映射框架。采用具有双隐藏层和高斯误差线性单元激活的多层前馈网络来学习从动态运行数据中得到的非线性映射。这种映射使得在动态运行条件下提取高保真度IC曲线成为可能,从而将传统的IC分析扩展到实际使用模式。随后,选择了六个与SOH强相关的IC衍生特征,并构建了一个支持向量回归模型以实现准确的SOH估计。在三种标准动态条件下的实验结果表明,所提出的框架的电压重建均方根误差(RMSE)低于0.5 mV,SOH估计的RMSE在3%以内。这种方法为动态运行条件下的锂离子电池健康状态监测提供了一条可行的途径,有效弥合了基于实验室的IC分析与实际应用之间的差距。

引言
交通电气化和电化学储能是实现碳中和的关键路径[1,2]。由于锂离子电池具有优异的放电率、循环寿命和高能量/功率密度,它们已成为电动汽车和微电网的主要储能解决方案[[3], [4], [5], [6], [7], [8]]。然而,电池老化受复杂的电化学机制和动态运行条件的影响,表现出显著的非线性行为,这使得状态估计变得复杂[[9], [10], [11], [12], [13], [14]]。为了确保电池的安全和高效运行,有效的电池管理系统(BMS)至关重要[[15], [16], [17]]。作为BMS的核心功能,健康状态(SOH)是量化电池退化的重要指标,直接影响运营安全和剩余寿命预测。传统上,SOH定义为当前容量与初始容量的比率。然而,实际容量无法直接在线测量,必须使用基于外部可测量参数(例如电压、电流和温度)的算法来估算[[18], [19], [20], [21], [22]]。因此,高精度SOH估计已成为学术界和工业界的关键研究焦点。

目前,SOH估计方法大致可以分为经验方法、基于模型的方法、数据驱动的方法和基于特征的方法,每种方法都有其各自的权衡。经验方法依赖于从容量衰减等退化趋势中得出的启发式公式,虽然简单,但精度有限且适应动态运行条件的能力较差[23,24]。基于模型的方法包括等效电路模型(缺乏电化学保真度)、高保真度电化学模型(计算密集型)和半经验模型(数据需求量大)[[25], [26], [27], [28], [29], [30]],这些方法往往难以平衡动态条件适应性、计算效率和估计精度。相比之下,数据驱动技术利用机器学习通过数据密集型建模实现高精度,但它们强烈依赖于大型数据集,可解释性差,且可迁移性有限[[31], [32], [33], [34], [35], [36], [37], [38], [39]]。基于特征的方法从运行数据中提取健康指示参数,提供更好的可解释性和计算效率,但其性能高度依赖于专家驱动的特征工程,并且对运行条件敏感[[40], [41], [42], [43], [44], [45], [46]]。所有方法的一个共同挑战是在实际动态运行条件下的鲁棒性和可靠性不足,这凸显了需要结合物理可解释性和对可变负载适应性的方法的必要性。

在这些方法中,基于特征的方法特别有前景,可以提供对电池老化的可解释性见解。它们可以进一步系统化为三类:基于内阻的方法、多特征融合方法和基于容量/电压的特征方法。例如,参考文献[47]开发了一种基于人工神经网络(ANN)的SOH算法,使用电化学阻抗谱(EIS)测量在各种老化状态下的数据进行模型训练和验证。参考文献[48]引入了一种复杂的多特征融合模型,通过堆叠算法整合了多种电池参数(电压、电流和温度的时间特征),结合支持向量回归(SVR)和长短期记忆(LSTM)网络的优势以实现精确的SOH估计。参考文献[49]提出了一种创新方法,利用部分恒定电流(CC)充放电电压-时间曲线,通过特定电压点之间的能量差来定量定义SOH。此外,近年来,一些研究尝试基于增量容量(IC)曲线进行SOH估计[50,51]。参考文献[50]应用高斯滤波平滑IC曲线,然后提取峰值位置、峰值幅度和全宽等参数以建立与SOH的相关模型。参考文献[51]提出了一种基于IC分析的SOH估计方法,适用于高能量NMC锂离子电池。它通过高斯滤波平滑IC曲线并提取老化特征,利用特征位置与容量之间的线性关系实现SOH估计。该方法仅需要静态充电曲线,能够适应不同的循环深度,最大误差小于2.5%,并且可以轻松集成到BMS中。

最近在电池SOH估计方面的研究还扩展到了新兴范式,如Health EquiMetrics框架和基于图的学习方法,这些方法展示了相当的潜力。例如,基于Health EquiMetrics框架的研究通过构建多维健康指标并量化不同老化状态和运行条件下的评估公平性和一致性,实现了全面和可靠的电池健康评估[52]。同时,基于图的学习方法通过挖掘单个电池之间的时空相关性和老化耦合特性来构建电池老化图网络。通过将图神经网络与注意力机制相结合,这些方法能够在复杂的动态运行条件下有效提取隐含的老化特征,从而实现高精度和强的泛化能力[53]。然而,关于在动态运行条件下可靠提取IC曲线的核心技术瓶颈,包括上述先进方法在内的现有研究仍然面临重大限制。大多数方法要么依赖于在静态或恒定电流条件下获得的特征,要么在真正动态场景中表现出准确性不足、实时性能差和实用性低的问题。传统的IC分析本质上需要低速率恒定电流条件,而实际应用中的电池(如电动汽车和储能系统)通常在波动的电流模式下运行。鉴于大多数现有的基于IC的SOH估计研究假设恒定电流运行——这种条件在实践中很少见——因此,开发直接从动态运行数据中提取IC曲线并实现准确SOH估计的可靠方法仍然是该领域中的一个关键且未解决的挑战。

从上述分析可以得出结论,尽管现有方法很有价值,但它们在动态场景中面临重大挑战。经验方法和基于模型的方法往往难以平衡精度、计算复杂性和适应性。数据驱动技术可以实现高精度,但需要大型数据集,缺乏可解释性,并且可迁移性差。更关键的是,基于特征的方法——包括那些利用IC曲线的方法——主要是为静态或恒定电流条件设计的,并且受到这些条件的限制。

为了解决这一关键挑战,我们之前的工作[54]探讨了在动态运行条件下电压曲线的等价性和重建,并实现了基于重建电压特征的电池SOH估计。然而,该研究并未实现电池IC曲线的重建;它仅使用电压导出的特征实现了SOH估计。为了克服这一点,我们提出了一种新的动态到静态IC曲线重建框架。该方法的核心是一种计算映射,将原始动态运行数据(电压、电流、时间)转换为低速率恒定电流条件下的等效电压曲线。然后,这种重建的静态电压曲线可以准确地提取对机制敏感的IC特征,从而克服了将传统IC分析应用于动态电池使用的主要障碍。关键创新如下:
(1)高保真度电压重建:一种神经网络架构,可以从动态运行数据中重建静态等效电压曲线,平均电压误差小于0.5 mV;
(2)可靠的IC曲线推导:一种新颖的方法,可以从重建的电压中推导出精确的IC曲线,IC重建的均方根误差(RMSE)小于0.52%,有效克服了传统IC分析的噪声敏感性,并首次建立了可靠的动态到静态IC映射,从而能够提取六个机制信息丰富的SOH指标;
(3)高精度SOH估计:一种利用导出的IC特征的SVR模型,实现SOH估计的RMSE始终低于3%。

本文的其余部分组织如下:第2节介绍了建立高速率动态运行条件与恒定电流条件等价性的基于神经网络的方法,实现电压和IC曲线的重建。第3节详细介绍了IC衍生特征参数的提取和电池SOH估计的退化模型的开发。第4节全面描述了实验方法和程序。第5节分析和讨论了在不同运行条件下的结果。最后,第6节总结了主要发现和未来的研究方向。

图1展示了所提出方法的总体框架,包括四个主要阶段:(1)数据采集,(2)电压重建,(3)IC曲线推导,(4)SOH估计。实验程序首先对16个电池单元进行容量表征,涵盖不同的老化水平,并进行动态曲线测试(例如,城市动态计程表驾驶计划(UDDS),以记录在实际运行条件下的电化学响应。

基于特征分析的CCSOH估计
本节描述了一种通过从重建的IC曲线中提取特征来估计电池SOH的方法。通过系统的相关性分析,识别出与退化水平强相关的IC衍生特征,并使用这些特征开发出一个可靠的SOH估计模型。

实验
本研究使用了16个商用Panasonic NCR18650GA锂离子电池(标称容量:3.5 Ah;标称电压:3.6 V;正极:LiNiCoAlO2(NCA);负极:石墨),这些电池具有故意变化的老化程度。实验装置包括Xinwei CT-4008-5V12A-DB电池测试仪进行充放电循环,BTH-150C热室保持恒定环境温度25°C,以及电池样本。所有测试都在三种标准动态条件下进行。

曲线重建结果
如图5所示,在三种标准动态条件下的重建电压曲线与参考测量值非常吻合。重建和实验电压分布表现出极好的一致性,初始段的最大绝对误差低于0.2 mV,总体RMSE低于0.5 mV。在低电压区域观察到轻微的偏差,这是由于锂离子电池在低电池状态(SOC)水平下的非线性行为引起的。

结论
本研究通过提出一种新的框架,解决了传统IC分析的关键局限性——即在动态操作下的高噪声敏感性和对恒定电流条件的严格依赖性。该框架结合了用于动态到静态电压重建的神经网络和SVR模型,能够从实际动态数据中实现高精度的电池SOH估计。

使用处于不同健康状态的电池进行了广泛的验证。

作者贡献声明
新来:概念化、资金获取、方法学、撰写——审阅与编辑。肖楠石:数据管理、调查、方法学、软件、可视化、撰写——初稿。姚毅:数据管理、调查、方法学。朱家军:方法学。黄云峰:数据管理、调查、可视化。程恩:资源、软件。郑月久:方法学、监督。

利益冲突声明
作者声明他们没有已知的竞争财务利益或可能影响本文工作的个人关系。

致谢
本研究得到国家自然科学基金(NSFC)(项目编号52577238和52277223)和上海浦江计划(23PJD062)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

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