基于分段高斯过程回归（Segmented Gaussian Process Regression）的锂离子电池应力预测方法

《JOURNAL OF POWER SOURCES》：A stress prediction method for lithium-ion batteries using segmented Gaussian process regression

　　

应力预测对于锂离子电池的健康管理至关重要。然而，现有的预测方法通常依赖于单一模型，这些方法往往无法准确捕捉复杂工况下的应力演化。本文提出了一种分段高斯过程回归（GPR）方法，用于锂离子电池在不同运行状态下的应力预测。研究人员搭建了充放电实验平台，以采集电压、温度和应力数据。随后，构建了电-热-机械（Electro-Thermal-Mechanical）耦合模型，并利用实测数据对其参数进行辨识和校准。在此基础上，将极端工况下的仿真数据与实时实验数据相结合，从而建立了面向不同运行状态的应力预测模型。研究人员利用恒流和恒功率充放电等多种工况下的实测数据进行了实验验证。结果表明，该研究有效利用了仿真数据来增强预测能力。与普通高斯过程回归相比，分段方法将均方根误差（RMSE）降低了70%以上（恒流循环从0.44 MPa降至0.03 MPa，恒功率循环从0.16 MPa降至0.04 MPa），在实现不确定性量化的同时显著提高了应力预测精度。

论文解读：基于分段高斯过程回归的锂离子电池应力预测研究

研究背景与意义

锂离子电池（Lithium-ion Battery, LIB）广泛应用于新能源汽车、电网级电化学储能系统等领域，是能源脱碳和产业升级的基石。然而，随着能量密度的提高和应用场景的复杂化，安全问题已成为高质量发展的关键瓶颈。在充放电循环及极端条件下，电化学、热学和机械过程的多场耦合以及固体电解质中间相（SEI）分解等现象，可能引发异常产热、破坏结构完整性并缩小安全裕度，甚至导致热失控（Thermal Runaway）、火灾和爆炸，这在大规模储能站中尤为突出。目前的电池监测主要依赖电学和热学测量，虽然取得了进展，但对直接影响结构完整性和失效演化的机械行为关注不足。表面应力监测不仅能高置信度地检测内部短路，补偿传统电压/温度方法的局限，其内部应力还可作为健康状态（SOH）高精度预测的关键特征。然而，传统的应力测量依赖万能试验机或带定制夹具的压电力传感器等离线设备，无法捕捉充放电过程中的膨胀力动态波动，且难以实现车载应用所需的实时、可靠连续原位监测。此外，现有基于建模和机器学习的应力预测多采用单一模型，未充分考虑充电（锂离子嵌入导致应力增加）、放电（锂离子脱嵌导致应力松弛）和静置（应力稳定并轻微松弛）这三种典型过程中电化学动力学、产热和机械响应特性的显著差异。为此，研究人员开展了基于分段高斯过程回归（Segmented Gaussian Process Regression, GPR）的应力预测方法研究，相关成果发表在《JOURNAL OF POWER SOURCES》。

主要关键技术方法

研究人员首先建立了锂离子电池充放电多物理场同步测试平台，采集不同恒流和恒功率倍率下的电压、温度及表面应力数据。其次，利用COMSOL Multiphysics构建电池包的数字孪生集总参数电-热-机械（Electro-Thermal-Mechanical）耦合模型，模拟多倍率及高/低温极端条件以补充实验场景，并利用实验数据对模型参数进行辨识和校准。接着，对实验测量数据通过Z-score异常值去除和线性插值进行预处理，并将其与仿真增强数据融合为统一建模数据集。最后，设计分段GPR模型，针对充电、放电、充电后静置、放电后静置等不同运行状态建立独立的子模型并配置差异化核函数，利用GPR的后验方差实现不确定性量化及95%置信区间输出，并通过多种工况实测数据进行验证。

研究结果

Experimental platform and data acquisition（实验平台与数据采集）

研究人员配置了实验测试平台并设定了电池数据集采集的运行工况，为后续模型开发和验证提供了可靠的数据基础。

Overall modeling framework（总体建模框架）

研究人员利用COMSOL Multiphysics构建了多个21700圆柱形锂离子电池的耦合模型。COMSOL因其多物理场协同求解的核心优势及内置的电池、传热和固体力学专业模块被选用，以准确复现电池实际运行中的多场相互作用。该模型集成了三个核心物理场：电化学场、热场和机械场，具体建模参数见原表1。

Data processing（数据处理）

为支持分段GPR模型的开发与验证，研究人员形成了兼具真实性、多样性及极端工况覆盖度的建模数据集。基于实验平台测量及前述电-热-机械耦合仿真模型，描述了数据来源与组成、仿真数据获取与工况设计、实验数据预处理以及与仿真数据融合的过程。

Model development（模型开发）

针对充放电过程中应力演化的非平稳和多阶段特性，研究人员提出了基于分段高斯过程回归的应力预测方法。采用“按步骤类型和静置实例分段—每段独立GPR—按段关键字预测及不确定性量化—按周期拼接验证”的框架，在确保预测精度的同时实现了置信区间输出。

Results analysis and discussion（结果分析与讨论）

研究人员利用恒流和恒功率充放电等多种工况下的实测数据进行了实验验证。结果显示，该研究有效利用仿真数据增强了预测能力。与普通GPR相比，分段方法使恒流循环的均方根误差（RMSE）从0.44 MPa降至0.03 MPa，恒功率循环从0.16 MPa降至0.04 MPa，降低幅度超过70%，在保留GPR不确定性量化能力的同时显著提升了不同运行状态下的应力预测精度。

结论（Conclusion）

本文提出了一种针对具有强非平稳和多阶段特征的充放电过程锂离子电池应力预测的分段高斯过程回归方法。通过集成实验测量数据与电-热-机械耦合仿真数据，所提出的框架在不同运行状态下实现了更精确的应力预测，同时保留了高斯过程回归的不确定性量化能力。与现有方法相比，该方法有效解决了传统全局模型的多阶段拟合偏差问题，并通过数据同化耦合模型框架缓解了纯实验数据集中极端条件样本稀缺的问题，为实现电池全生命周期安全评估和机械完整性分析提供了重要的技术支撑。