《Green Energy and Intelligent Transportation》:Fast LiFePO4 battery state-of-health estimation via force-electrical coupled signal and fixed references to overcome voltage plateaus
编辑推荐:
磷酸铁锂(LiFePO4)电池中较长的电压平台可能导致现有数据驱动的健康状态(SOH)估计方法因健康特征(HF)采样间隔过长而失效,使其几乎与直接容量测量无法区分。然而,大多数研究仍仅依赖电信号,而基于力信号的方法发展不足且实用性有限。为
磷酸铁锂(LiFePO4)电池中较长的电压平台可能导致现有数据驱动的健康状态(SOH)估计方法因健康特征(HF)采样间隔过长而失效,使其几乎与直接容量测量无法区分。然而,大多数研究仍仅依赖电信号,而基于力信号的方法发展不足且实用性有限。为此,研究人员首先提出了一种用于特征工程的力-电耦合方法(FECM),该方法利用充电力曲线的第二拐点(SIPCF)作为统一的固定参考点,并在特征提取过程中深度集成力信号和电信号,而非从各信号中分别提取HF作为模型输入。这增加了提取更有效HF的可能性。这些HF反映了多维老化机制,并全面描述了老化过程。研究人员采用支持向量回归(SVR)结合粒子群优化(PSO)优化的超参数,用于快速磷酸铁锂(LiFePO4)电池SOH估计。在两个不同初始条件的内部电池老化数据集中,SOH估计的平均均方根误差(RMSE)仅为0.45%。与五种典型方法相比,FECM将估计精度提高了高达78%,同时将采样时间减少了高达74%。此外,提取特定的HF可以进一步平衡采样时间与估计精度。
**论文解读:基于力-电耦合信号与固定参考点的磷酸铁锂电池健康状态快速估计**
**研究背景与问题**
锂离子电池因其长循环寿命、高能量密度和低自放电率等优异电化学性能,广泛应用于电动汽车和储能系统。然而,电池不可避免地会经历容量衰退,直接影响车辆最大续航里程,因此电池管理系统(BMS)的核心任务之一是准确估计电池健康状态(SOH)。SOH定义为当前最大容量与初始容量之比,直接测量需要完整充放电循环,在实际应用中不可行,故发展快速准确的SOH估计方法至关重要。
基于机器学习(ML)的方法在SOH估计中受到广泛关注,其关键在于老化数据集构建和健康特征(HF)提取。现有研究多从电信号中提取HF,例如利用差分电压(DV)和增量容量(IC)曲线的峰值,但这些方法在低充电倍率下可靠,在快速充电场景中应用受限;电化学阻抗谱(EIS)虽能提取与SOH高度相关的HF,但存在数据解释复杂、环境干扰敏感、硬件成本高等问题。对于磷酸铁锂(LiFePO
4,LFP)电池,其电压平台极长,在SOC从10%变化至80%时电压变化仅约0.15 V,导致基于电信号的HF采样间隔过长,几乎等同于直接测量容量,使得现有数据驱动方法失效。相比之下,力信号曲线陡峭,信噪比优于电压信号,对电池非线性退化更敏感,且长期循环中力信号变化主要源于老化而非传感器漂移,稳定性好。然而,力信号对温度敏感,常用恒温加压老化实验消除干扰。现有基于力信号的SOH估计研究仍处于早期阶段,主要存在以下问题:1)仅从单一力信号中提取HF;2)现有HF采样时间长、依赖全生命周期力数据、需滤波和微分预处理;3)主要针对三元锂电池,未利用力信号克服LFP电池电压平台难题;4)多信号融合策略通常将各信号单独提取的HF简单拼接,缺乏在特征提取阶段对力-电信号的深度耦合研究。
**研究内容与结论**
为克服上述挑战,研究人员提出了一种力-电耦合方法(FECM)用于特征工程,以实现LFP电池的快速SOH估计。该研究利用充电力曲线的第二拐点(SIPCF)作为统一固定参考点,深度耦合力信号和电信号,同时提取9个健康特征(HF),并采用粒子群优化(PSO)优化超参数的支持向量回归(SVR)模型进行SOH估计。在两个不同初始条件的内部电池老化数据集上验证,平均均方根误差(RMSE)仅为0.45%,最大SOC变化约25%。与五种典型方法相比,FECM将估计精度提高了高达78%,采样时间减少了高达74%,并在数据预处理复杂度、鲁棒性和实用性方面具有显著优势。此外,仅使用4个指定核心HF可将SOC采样间隔进一步缩减至13.3%以内,RMSE保持在0.75%以下,模型复杂度降低约39%,有利于嵌入式BMS部署。该论文发表在《Green Energy and Intelligent Transportation》。
**关键技术方法**
1. **力-电耦合特征工程(FECM)**:以充电力曲线的第二拐点(SIPCF)作为统一固定参考点,同步提取9个健康特征(HF),包括电压、力、时间等参数及其变化量,无需复杂预处理。SIPCF与差分电压(DV)峰值高度重合,在较高充电倍率下仍清晰可辨,提高了特征提取可靠性。
2. **支持向量回归(SVR)结合粒子群优化(PSO)**:采用高斯径向基核函数,通过PSO算法优化超参数(正则化常数、不敏感损失函数参数和核函数宽度),在留一法交叉验证框架下实现高精度SOH估计。
3. **样本队列来源**:两个内部电池老化数据集:Cell A(6个样本,不同预载力和放电条件,循环至约2800个周期,每100周期采集一次老化样本)和Cell B(22个同批次不同剩余容量样本,无历史循环数据,仅单次充电数据)。
**研究结果**
**3.1 不同模型的SOH估计结果**
通过比较五种数据驱动模型(长短期记忆网络LSTM、随机森林RF、线性回归LR、高斯过程回归GPR和SVR)在Cell A和Cell B上的表现,发现PSO-SVR模型在留一法交叉验证框架下性能最优。在Cell A的6个样本中,平均最大绝对误差(MaxAE)为1.20%,平均绝对误差(MAE)为0.34%,RMSE为0.45%。与LSTM、PSO-RF、LR和PSO-GPR相比,平均RMSE分别降低了91.53%、55.45%、18.18%和23.73%。在Cell B的22个样本中,PSO-SVR的RMSE为1.41%,显著优于其他模型,验证了FECM的跨样本泛化能力。
**3.2 与典型方法的比较**
将FECM与五种典型方法(M1:固定电压区间充电时间;M2:区域容量统计特征;M3:完整充电曲线特征;M4:差分力曲线极值点;M5:全生命周期力数据特征)进行比较,所有方法均采用PSO-SVR模型。FECM的平均RMSE为0.45%,MAE为0.34%,采样时间仅1677秒,起始SOC约70%,最大SOC间隔25.2%。与M1、M2、M4、M5相比,FECM的RMSE分别降低了10%、6.25%、78.87%和62.81%;与M3相比略高,但M3需要完整充电过程(相当于直接容量测量)。FECM的采样时间比M1、M2、M3、M5分别缩短63.97%、73.04%、74.37%和74.33%。此外,FECM无需复杂数据预处理,且在高噪声条件下仍保持较高精度(MAE:0.44%,RMSE:0.53%)。
**3.3 与典型方法结合**
将FECM与M1-M5结合,所有方法的RMSE均显著降低:M1降低22%,M2降低31.25%,M3降低51.22%,M4降低75.59%,M5降低48.76%。这表明FECM引入力特征后,能在相似采样时间内提取更有效的HF,提升典型方法性能。
**3.4 特征工程进一步讨论**
通过分析9个HF的采样时间和与SOH的相关性,确定了4个核心HF(HF1:SIPCF处的电压;HF2:SIPCF处的力归一化值;HF4:固定充电容量变化对应的力变化;HF8:固定力变化所需时间)。仅输入这4个HF时,所有样本的RMSE保持在0.75%以内,平均采样时间470秒,比使用全部9个HF缩短66.99%,模型复杂度降低约39.11%。该策略实现了采样时间与估计精度的灵活权衡。
**总结与结论**
研究人员首次提出力-电耦合方法(FECM)用于特征工程,以充电力曲线的第二拐点(SIPCF)作为统一固定参考点,在特征提取过程中深度集成力信号和电信号,而非分别提取HF后拼接。FECM实现了高精度和短采样时间,克服了LFP电池电压平台带来的SOH估计挑战。SIPCF位置与DV峰值对应,且在较高充电倍率下仍清晰可辨,增加了短时内提取有效HF的可能性。提取的9个HF反映了互补的电化学-力学耦合老化机制,能从多维度全面描述电池老化,保证了特征工程的泛化性。在验证的数据驱动模型中,PSO-SVR是留一法交叉验证框架下的最优选择。两个电池老化数据集的平均RMSE仅为0.45%,最大SOC变化约25%,适用于不同预载力、充电倍率、同一电池的不同老化状态,甚至无历史数据的电池,泛化能力强。与五种典型方法相比,FECM将估计精度提高高达78%,采样时间减少最多74%。在数据预处理复杂度、鲁棒性和实用性方面具有显著优势。此外,与典型方法结合后,SOH估计精度至少提高22%。仅使用4个核心HF可将SOC采样间隔进一步缩减至13.3%以内,RMSE低于0.75%,模型复杂度降低约39%,有利于嵌入式BMS部署。未来工作将扩展加压电池老化数据集至不同化学体系,验证方法在变温和实际快充场景下的性能,并探索温度作为辅助输入或自适应校准策略以增强鲁棒性。