基于增量容量分析(Incremental Capacity Analysis, ICA)利用部分充电段进行锂离子电池健康状态(State of Health, SOH)估算

《Journal of Energy Storage》：Battery state of health estimation for partial charge segments using incremental capacity analysis

　　

准确估算锂离子动力电池的健康状态(State of Health, SOH)对于确保其安全高效运行至关重要，但实际车载条件下通常仅能获取有限的电流、电压及温度测量数据。研究人员提出了一种基于自动特征提取的数据驱动框架用于SOH估算。为捕捉电池老化特征，研究人员分析了由恒流(constant-current, CC)充电阶段导出的增量容量(Incremental Capacity, IC)曲线。通过本征正交分解(Proper Orthogonal Decomposition, POD)，在降低特征空间维度的同时保留关键信息，从IC曲线中提取紧凑特征。这些低维特征随后被用于训练机器学习模型以实现精确SOH估算。该框架可处理来自不同荷电状态(State of Charge, SOC)区间的部分充电段，无需完整充放电循环。研究利用大规模老化实验数据对框架进行验证。该方法利用25 °C下开展的标准参考测试(Reference Test Cycle, RTC)及从20–30 °C范围内动态负载循环数据中提取的CC阶段进行验证。模型能持续追踪老化趋势，证实了所提框架在考察工况下的鲁棒性。

论文解读：基于增量容量分析与本征正交分解的锂离子电池部分充电段健康状态估算研究

一、研究背景与意义

锂离子动力电池在可再生能源存储与电动交通中扮演核心角色，电池管理系统(Battery Management System, BMS)需实时监测荷电状态(State of Charge, SOC)与健康状态(State of Health, SOH)。传统直接法（如电化学阻抗谱EIS、内阻测量）精度高但成本高且难以车载应用；间接法中基于模型的方法（如扩展卡尔曼滤波EKF）存在SOC与SOH强耦合问题且依赖BMS内部算法，商用BMS多不开放。增量容量分析(Incremental Capacity Analysis, ICA)通过dQ/dV-V曲线表征电极相变过程，其峰位、峰高随老化演变可作为SOH特征，但现有ICA-SOH方法多依赖完整充放电循环以获取全电压范围IC曲线，且手动提取峰值等特征对噪声和不完全充电敏感。实际用车场景中极少发生0%–100% SOC完整充电，因此开发可基于部分充电段(partial charge segments)、不同SOC区间均能工作的SOH估算方法具有重要工程价值。本文由Matteas Jelovic, Sebastian Hochedlinger, Martin Kozek, Stefan Jakubek, Christoph Hametner撰写，发表于《Journal of Energy Storage》，提出结合ICA与本征正交分解(Proper Orthogonal Decomposition, POD)的数据驱动框架，实现基于部分CC充电段的SOH无监督特征提取与回归估算。

二、主要关键技术方法

研究人员使用大规模NMC 18650电池（标称330 mAh，共127只有效电芯）加速老化数据集，包含周期性标准参考测试(Reference Test Cycle, RTC，25 °C，含0.3 C、1 C、2 C CC充电段，库仑计数得容量真值)及不同温度/电流/电压窗口的动态负载循环(Load Cycle, LC)。方法流程为：(1) ICA处理——将RTC中CC段电流电压线性插值至固定等距电压网格(n_V=1500点)，通过数值微分计算原始未平滑IC曲线(dQ/dV)；(2) POD降维——以所有训练电芯首圈IC曲线均值归一化为第一基向量t₁，残差快照矩阵做奇异值分解(Singular Value Decomposition, SVD)获正交基U，组成本征正交基矩阵T∈R^n_V×q_SOH（q_SOH=6个模态），任意IC曲线投影得低维坐标x_red=T^Tx；对部分电压窗口IC曲线x_part，取对应行组成T_part，通过最小二乘求解使‖T_partx_red?x_part‖₂²最小的x_red；(3) SOH回归——以x_red为输入，四层全连接神经网络(256–128–64–1神经元，Swish激活，输出层Sigmoid，SGD+MSE损失+早停+贝叶斯超参优化)映射至SOH(容量相对初值百分比)。按电芯级划分训练集(70%)与测试集(30%)，验证集用于早停。

三、研究结果

4.1. Performance evaluation

研究人员设定保留POD模态数q_SOH=6，因未对IC曲线预平滑，高阶模态主要含噪声不增益精度。定义单连续SOC窗口与双不连续SOC段两种部分充电输入配置。

4.2. Evaluation of model accuracy across charging rates

分别对0.3 C、1 C、2 C CC充电数据独立构建POD基与模型。0.3 C与1 C模型测试集RMSE分别达0.55%与0.63%，R²>0.99，MAPE<0.52%；2 C时IC曲线因过电位致峰谷展平模糊，RMSE升至2.33%(R²=0.82)，但仍可捕捉总体老化趋势。证明框架在低/中倍率CC段具高准确性，选用1 C为基准开展后续验证。模型对经不同负载循环(温和窄窗口、低温宽窗口、高温大倍率放电)老化后RTC所得IC曲线仍能准确追踪SOH轨迹，说明RTC-IC曲线蕴含跨工况累积老化信息。

4.3. SOH estimation with incomplete charge segments

测试集分别用全SOC范围(基线)、单连续SOC窗口(2%–50%)、双组合SOC段(6%–35%+50%–75%)做最小二乘投影得x_red输入同一已训练网络。结果：全SOC中位RMSE≈0.44%；部分单窗与双段中位RMSE略升，但多数电芯RMSE<1.5%。表明即便缺失部分电压域数据，POD基约束下的最小二乘拟合仍恢复足够老化相关模态坐标，无需针对窗口重训模型，支持碎片化部分充电数据融合估算。

4.4. Sensitivity of model performance to the availability of training data

对比训练/测试划分70/30、50/50、30/70。70%训练时测试集P75 RMSE=0.77%、P95=1.36%；降至30%训练时中位RMSE=0.62%、P75=0.90%。说明框架对训练样本量较不敏感，有限老化数据下仍具可用性。

4.5. Validation using variable load cycle data

从动态LC中提取1 C CC段(温度20–30 °C，28只电芯)输入基于RTC训练的1 C模型与POD基。测试集RMSE=1.45%，R²=0.88，成功追踪老化趋势，证明方法可推广至非标准但含CC段的运行数据，对±5 °C温偏具一定容忍度。

四、讨论与结论总结（译自Conclusions）

本研究提出将增量容量分析(Incremental Capacity Analysis, ICA)与本征正交分解(Proper Orthogonal Decomposition, POD)相结合的锂离子电池健康状态(State of Health, SOH)估算方法。该方法自动提取IC曲线的主导特征，以数据驱动方式替代人工特征选取（如峰位、峰面积），同时保留关键老化信息。所提方法在实验室考察条件（0.3 C、1 C及2 C恒流充电）下表现出良好性能，对未见电芯具泛化能力，且适用于部分SOC窗口输入——即使使用缩减输入片段，模型亦能在无需重新训练情况下成功捕捉老化趋势，彰显了降维方法的灵活性与神经网络的适应性。不同训练数据量敏感性分析证实模型具鲁棒性，训练数据减少仅引起轻微性能下降。此外，方法经动态负载循环中恒流充电段进一步验证，虽与参考测试在预处理条件及温度上存在差异，模型仍稳定追踪容量衰减趋势，表明该途径有望推广至标准化参考测试以外之工况（当前限于20–30 °C内CC段）。实际应用中需满足存在恒流充电阶段这一前提，常见场景如夜间部分充电即符合；如文中所示模型可处理部分SOC窗口且不重训，但尚需实车(field)数据确认。总体而言，该方法为电池健康监测提供了计算高效且可扩展之解决方案，不依赖电芯特定物理模型，具迁移至其他体系与工况之潜力。未来工作将探讨模型对不同电芯类型之迁移性、对实车数据之适配、跨倍率与温度泛化能力提升、确定最优SOC段及最小所需段长，并对比卷积神经网络(Convolutional Neural Network, CNN)或长短时记忆网络(Long Short-Term Memory, LSTM)等替代估计器之效果。