《Journal of Energy Storage》：Data-driven health-aware battery fast charging using adaptive neuro-fuzzy inference system-based optimized end-charging strategy for battery life extension
编辑推荐：
Bibaswan Bose|Akhil Garg|Jonghoon Kim韩国大田市忠南国立大学电气工程系能量存储转换实验室，邮编34134摘要快速充电技术因能够显著缩短充电时间而备受关注，尽管存在加速电池衰减的风险。然而，现有的大多数快速充电策略依赖于开环控制，这限制了它们在不
Bibaswan Bose|Akhil Garg|Jonghoon Kim
韩国大田市忠南国立大学电气工程系能量存储转换实验室，邮编34134
摘要
快速充电技术因能够显著缩短充电时间而备受关注，尽管存在加速电池衰减的风险。然而，现有的大多数快速充电策略依赖于开环控制，这限制了它们在不同工作条件下减轻电池衰减的能力。为应对这一挑战，本研究提出了一种基于数据的、考虑电池健康状态的快速充电方法（HABFC），该方法利用自适应神经模糊推理系统（ANFIS）来确定恒流充电与恒压充电之间的实时切换点。所提出的框架结合了知识驱动和数据驱动的方法，专家制定的规则为系统提供初始结构并确保安全约束，而ANFIS模型则能捕捉电池状态与最佳充电决策之间的复杂非线性关系。这种混合方法能够准确且灵活地预测恒流-恒压切换时机，从而在各种条件下保障操作安全及电池的物理稳定性。为提升系统的稳健性，该策略还将电池健康状态和电量状态作为关键输入参数。通过实时的电池衰减等效电路模型来估算电量状态，进而减少估算误差，提高决策可靠性。基于ANFIS的HABFC策略可实现恒流与恒压模式之间的动态实时切换，在不损害电池寿命的前提下加快充电速度。通过定制的充电装置对所提方法进行了实验验证，结果表明与传统充电技术相比，充电时间可缩短约12%，电池循环寿命可提高23%。电化学阻抗分析显示，该技术通过降低阻抗增长来减缓锂离子沉积现象，从而稳定电极反应动力学，增强电化学稳定性并延长电池使用寿命。此外，与现有基准策略的比较也显示出该技术在充电效率、衰减抑制以及热性能方面都具有更优的表现。总体而言，这项研究证明了在电池单元层面实现实时自适应恒流-恒压切换的有效性，并为未来将其扩展到电池组应用奠定了可扩展的基础。
内容片段
术语表
| ADC | 模拟数字转换器 |
| ANFIS | 自适应神经模糊推理系统 |
| BMS | 电池管理系统 |
| CC | 恒流 |
| CP | 恒功率 |
| CT | 恒温 |
| CV | 恒压 |
| C-rate | 电流倍率 |
| DAC | 数字模拟转换器 |
| DAQ | 数据采集系统 |
| ECM | 等效电路模型 |
| EIS | 电化学阻抗谱 |
| EV | 电动汽车 |
| FLC | 模糊逻辑控制器 |
| HABFC | 考虑电池健康状态的快速充电技术 |
| LIB | 锂离子电池 |
| MCC-CV | 多阶段恒流-恒压充电 |
| PC | 脉冲电流 |
| SEI | 固体电解质界面膜 |
| SoC | 电量状态 |
基于ANFIS的HABFC策略的方法论
充电时间、充电速率、内阻以及电池的初始状态都是影响锂离子电池循环寿命的关键因素。电池循环寿命的变化是通过实时检测容量衰减和能量损失来评估的[29]。先前的研究[11]表明，当电量状态超过70%左右时，温度上升和锂离子沉积现象会变得更为明显，这说明在这一电量区间合理控制充电过程能够
用于验证控制策略的实验装置
图2(a)展示了所提出的充电方法的控制回路结构图。根据锂离子电池单元的实时电流输入，通过电池衰减等效电路模型来估算电量状态。每个充电周期结束后，都会对电池健康状态进行评估，并将数据上传至云端平台以实现持续监控和数据存储。所提出的框架采用ANFIS模型，以来自电池衰减等效电路模型的电量状态信息以及云端存储的电池健康状态数据作为输入，从而确定最佳的恒流-恒压切换点。与传统的控制方法不同，
ANFIS控制器的设计
锂离子电池具有高度非线性和时变特性，因此很难建立适用于实时控制的精确解析模型。正如先前的研究[36]所指出的，传统的控制策略在应用于这类复杂系统时无法保证足够的稳定性，而固定设定点的控制方式也无法满足电池状态变化时的适应性需求[37]。为克服这些缺陷，本研究采用了ANFIS控制器。与传统模糊逻辑控制器不同，
结果与验证
通过将所提出的策略与传统的恒流-恒压充电方法进行对比，对其效果进行了评估。图7(a)显示，传统充电方法的容量衰减速度比所提出的充电技术更快。而所推荐的充电方法使得电池在初始充电阶段的容量有明显提升。由于第二阶段的恒流充电采用C/4的充电倍率，因此电池的充电速度可以大幅降低。在充电100次之后，电池的容量
结论
本研究提出了一种基于自适应神经模糊推理系统的新颖的、考虑电池健康状态的快速充电策略，该策略能够实时确定最佳的恒流-恒压切换点。通过结合电量状态和电池健康状态信息以及实时的电池衰减等效电路模型，所提出的框架能够根据电池的实际工作状况和衰减程度动态调整充电参数。与传统充电策略相比，
CRediT作者贡献说明
Bibaswan Bose：论文撰写——初稿撰写、实验研究、正式分析。Akhil Garg：可视化处理、方法设计、概念构思。Jonghoon Kim：论文撰写——审阅与编辑、项目监督、项目管理、资金筹措。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
本研究得到了G2Power项目（项目编号：00426149，涉及水冷式锂离子电池包装及安全控制技术改进）的支持，该项目获得了韩国能源技术评价与规划院在2024年的资金资助；同时，该研究还得到了韩国基础设施技术发展院在“电池寿命终结及再制造电池安全管理技术研究”项目中的支持，该项目的资金由韩国国土交通部提供。
