基于GNN的NMC锂离子电池退化模型开发

《Energies》：GNN-Based Degradation Model Development for an NMC Li-Ion Battery

　　

准确的健康状态（SoH）预测对于安全高效的电池管理至关重要，能够延长使用寿命并改进电动汽车和固定式储能系统等技术。在本研究中，研究人员提出了一种基于图神经网络（GNN）的深度学习框架，用于预测商用镍锰钴氧化物（NMC）锂离子技术的SoH。利用内部生成的实验老化数据集获得的健康指标，在不同运行条件下的电池上训练和验证模型。混合架构结合了图神经网络（GraphSAGE）与卷积神经网络（CNN）和长短期记忆（LSTM）模块，捕获电池数据中的局部结构关系和时间模式。评估结果显示强大的预测性能，实现了R²为0.989，均方误差（MSE）为3.23 × 10^-6。这些发现表明，所提出的方法可作为有用的诊断工具部署。

**研究背景与问题**
锂离子电池（LiB）因高比能量、长循环寿命和成熟制造体系，广泛应用于电动汽车（EV）和便携电子设备。其中，镍锰钴氧化物（NMC）正极材料在能量密度、倍率性能和热稳定性间取得平衡，成为主流选择。然而，NMC电芯仍面临活性材料损失、电解质分解、阻抗增长等退化机制，导致容量衰减和内阻上升，限制使用寿命。准确预测健康状态（SoH）是安全高效电池管理的关键，可优化充放电策略并延长寿命。传统方法中，基于物理的模型虽可解释但参数化复杂且计算密集，难以实时应用；数据驱动方法（如循环神经网络RNN、卷积神经网络CNN、长短期记忆网络LSTM）在捕获非线性关系方面表现优异，但单一架构难以同时处理局部特征、长期时间依赖和变量间关系。图神经网络（GNN）近期被引入电池预测，可建模健康指标间的复杂结构关系。本研究旨在开发一种融合GNN、CNN和LSTM的混合框架，以提升SoH预测的准确性和泛化能力。论文发表在《Energies》。

**研究内容与结论**
研究人员利用2年长期老化实验从18个商用NMC/石墨软包电芯（规格见表1，组分未公开）中生成高质量数据集。电芯经历预 conditioning、容量测试、混合脉冲功率特性（HPPC）测试和标准验证测试（WLTC循环）。从容量测试（恒流CC充电、恒压CV充电、静置、CC放电阶段）和HPPC测试中提取20个初始健康指标（HIs），经相关性分析和冗余筛选后保留11个指标：循环温度（HI1）、放电容量（HI2）、内阻（HI4）、放电深度（HI5）、中值荷电状态（HI6）、循环次数（HI9）、CC充电电流积分（HI10）、放电电流积分（HI13）、CC充电电压积分（HI14）、放电电压积分（HI16）、CC阶段时间（HI19）。16个电芯用于训练和验证（80%训练，20%验证），另1个WLTC循环的电芯（Cell 18）用于测试。

提出的CL-GraphSAGE模型将11个HI作为图节点（全连接图）。首先，每个HI的时间序列经一维CNN提取局部退化模式（如斜率、波动），再经LSTM捕获长期时间依赖，得到每个HI的时域嵌入向量作为初始节点特征。然后，GraphSAGE层通过均值聚合邻居信息更新节点表征，保留HI间的空间相关性。最终图级读出（均值池化）结合所有节点信息，经多层感知机（MLP）回归输出SoH预测值。模型训练以均方误差（MSE）为损失函数。评估指标包括MSE、平均绝对百分比误差（MAPE）和决定系数R²。

**主要技术方法**
1. **实验老化测试与数据生成**：对18个商用NMC/石墨软包电芯（供应商未公开）进行超过2年的循环寿命测试，包括不同温度（10°C、25°C、45°C）、放电深度（DoD）、中值荷电状态（mid-SoC）和倍率（C-rate）组合。测试设备为PEC ACT0550电池循环器和CTS气候箱。定期（每100/200/300全等效循环FEC）执行容量测试（C/2倍率）和HPPC测试（80%、50%、20% SoC，0.33C、0.5C、1C脉冲）以获取HI。
2. **健康指标提取与筛选**：从容量测试（CC/CV充放电阶段）和HPPC测试中提取电流、电压、时间相关指标，通过皮尔逊相关系数（ρ）分析各HI与SoH的线性关系，并基于数学定义和物理意义去除冗余（如删除放电容量与充电容量中冗余项），最终保留11个非冗余、高相关性HI。
3. **图构建与混合深度学习架构**：将11个HI作为图节点，构建全连接图，边由节点间相似性隐式定义。时域特征提取采用一维CNN（卷积核沿时间轴滑动）与LSTM（含遗忘门、输入门、输出门）组合；空间特征提取采用GraphSAGE（均值聚合），图级读出后经MLP回归预测SoH。

**研究结果**
- **健康指标分析（Section 3）**：通过皮尔逊相关性分析，放电容量（HI2）、充电容量（HI3）、CC充电电流积分（HI10）、放电电流积分（HI12）与SoH呈强正相关；内阻（HI4）、CV电压曲线下面积（HI15）、CV阶段时间（HI20）呈强负相关。进一步通过控制变量实验（Section 3.1）评估恒温、DoD、mid-SoC、C-rate的影响：
- *温度影响（3.1.1）*：45°C下电芯唯一达到寿命终止（EoL，容量衰减>20%）；低DoD时10°C性能优于25°C，但高DoD（100%）时10°C电芯容量骤降，说明极端温度均加速退化。
- *中值SoC影响（3.1.2）*：中值SoC越高，容量衰减越显著，但影响程度小于温度。
- *DoD影响（3.1.3）*：更高DoD导致更明显的容量衰减，表明DoD是模型关键因素。
- *C-rate影响（3.1.4）*：更高放电C-rate加速容量衰减；充电C-rate影响略缓但最终亦导致容量突降。
- **HI筛选（Section 3.2）**：基于平均绝对相关性计算各HI统计相关性贡献（式6），并去除冗余（如HI12由其他指标计算得出，故移除；保留放电容量而舍弃充电容量），最终输入为11个HI。
- **模型架构（Section 4）**：提出CL-GraphSAGE框架（图9），CNN提取局部时间模式，LSTM建模长时间依赖，GraphSAGE聚合节点间关系，MLP输出SoH。16个电芯数据用于训练和验证（80%/20%划分），WLTC电芯（Cell 18）用于测试。
- **验证与讨论（Section 5）**：训练阶段多数电芯表现优异（图10），部分存在过拟合。测试阶段（WLTC轮廓，图11）模型预测SoH与真实值高度吻合，性能指标：均方根误差（RMSE）0.18%，平均绝对误差（MAE）0.14%，R² 0.989。与文献对比（Ma等：CNN-LSTM在CALCE/NASA数据集上RMSE 0.24%-0.48%；Kim等：0.3%；Wang等：0.4%；Zhou等：0.63%），本模型RMSE更优。

**讨论与结论（Section 6）**
研究结论翻译：由于锂离子电池在电动汽车和储能系统中的广泛应用，其健康状态（SoH）的准确预测日益重要。在本研究工作中，研究人员开发了一种基于图神经网络（GNN）的深度学习模型，用于预测商用NMC软包电芯的SoH。该模型利用超过两年的大量实验工作获得的高质量数据集进行训练和验证。这些测试涵盖了在不同条件下运行的电池，并提取了多种健康指标，以获得关于它们与电池退化关系的有意义见解。所开发的模型结合了多种深度学习模型，能够从数据集中提取时间特征和局部特征，包括CNN、LSTM和GraphSAGE。关键性能指标（包括R²为0.989，MAE为0.14%）凸显了GNN方法在准确建模影响电池退化的复杂相互作用方面的优势。此类模型可部署用于云连接的实时边缘电池管理系统，以实现先进的预测。该模型的适用性或泛化性可针对另一种NMC数据集甚至其他化学体系（如LFP、NCA等）进行测试。通过优化节点和网络，模型性能可进一步改善。