锂离子电池电化学模型（ECM）参数化的算法选择：基于信赖域法、Levenberg-Marquardt法、高斯-牛顿法（Gauss-Newton）和BFGS法的准确性及物理一致性比较研究

《Scientific Reports》：Algorithm selection for lithium-ion battery ECM parameterization: a comparative study of trust-region, Levenberg-Marquardt, Gauss-Newton, and BFGS for accuracy and physical consistency

　　

摘要

本文对比研究了四种优化算法——高斯-牛顿（GN）、Levenberg-Marquardt（LM）、信赖域（TR）和Broyden-Fletcher-Goldfarb-Shanno（BFGS）——在10%至100%的充电状态下，利用INR21700-45E电池数据对锂离子电池的二阶（2RC）等效电路模型进行参数识别。评估指标包括拟合精度、计算效率和参数一致性。TR和BFGS的平均均方根误差（rmse）分别为0.922 mV和0.971 mV，且在大多数充电状态下\(R^2\)值均高于0.988；而LM的平均rmse为2.441 mV。在测试条件下，GN方法的收敛性较差，参数估计结果也不可靠。通过混合脉冲功率特性测试和C/2放电测试验证模型后发现，TR和BFGS的电压预测误差分别低于0.022 V和0.065 V，而LM在动态条件下的误差较大。从计算效率来看，LM最快（0.244秒），其次是BFGS（0.383秒）和TR（0.655秒）。结果表明，TR和BFGS在估计精度和鲁棒性方面表现更优，而LM的计算成本较低，为电池建模和电池管理系统应用中的优化算法选择提供了有益的参考。