基于机械-电-热多模态特征的大容量储能电池健康状态估计

《Batteries》：State of Health Estimation of Large-Capacity Energy Storage Batteries Based on Mechanical–Electrical–Thermal Multi-Modal Features

　　

研究人员提出了一种通过引入膨胀力监测来融合机械-电-热多模态特征的SOH（健康状态）估计方法。研究人员对来自两个品牌的16个方形530 Ah LiFePO₄（磷酸铁锂）电池在25和45 °C下进行了老化测试。每个完整循环分为充电、充电后静置、放电和放电后静置，SOH由容量比定义。从循环级数据中提取了37个候选特征，并使用局部中位数和中位数绝对偏差（MAD）进行清洗。仅使用训练电池，通过Spearman相关性消除高度冗余特征，并通过内部验证保留了12个关键特征。在完整电池分组的4折交叉验证下，比较了随机森林（Random Forest）、XGBoost、LightGBM和长短期记忆网络（LSTM）。LightGBM实现了最佳性能，平均MAE（平均绝对误差）为0.0032，RMSE（均方根误差）为0.0037，R²（决定系数）为91.36%。消融实验表明多模态融合优于单一类型特征；与仅使用电学特征相比，五类融合特征将RMSE降低了约75.57%。移除膨胀力特征后，RMSE增加到0.0064，R²下降到75.66%。这些发现证实膨胀力提供了关键的机械退化信息，显著提高了大容量储能电池的SOH估计。

随着全球能源转型加速和可再生能源大规模并网，储能系统在电力调峰、调频和用户侧能量管理中的作用日益突出。锂离子电池凭借高能量密度、长循环寿命和快速响应能力成为电化学储能领域的核心载体，然而电池在长期循环中不可避免地发生老化，表现为可用容量衰减和内阻增加，严重时甚至引发热失控等安全事故。因此，实现大容量储能电池健康状态（SOH）的准确监测是保障储能系统安全、高效、经济运行的关键前提。现有研究主流采用电信号监测，从电压和电流中提取健康特征并建立机器学习模型，但大容量方形储能电池的端电压是内部多层电极反应和极化过程的综合外在表现，对内部结构变化、应力累积和早期隐蔽退化存在平均化和滞后效应，难以早期准确感知。机械信号如膨胀力可补充电信号的不足，但现有研究多集中于软包电池、圆柱电池或小容量电池，对大容量方形电池的机械边界条件、夹紧力设计和尺寸效应研究不足。为此，研究人员对两个品牌共16个方形530 Ah LiFePO₄储能电池在25 °C和45 °C下进行循环老化测试，构建了融合机械-电-热多模态特征的SOH估计方法。研究发现，膨胀力特征能提供关键的机械退化信息，显著提升SOH估计精度；多模态特征融合优于单一类型特征；LightGBM模型在分组四折交叉验证中表现最佳。该论文发表在《Batteries》。

研究人员为开展研究主要采用了以下关键技术方法：基于循环老化实验平台采集电压、电流、温度和膨胀力数据，将每个完整循环划分为充电、充电后静置、放电、放电后静置四个阶段，并以首循环最大放电容量为基准定义SOH；从循环级数据中提取电学、热学、膨胀力、dV/dQ（电压-容量微分）和dF/dQ（膨胀力-容量微分）五类共37个候选特征；通过局部中位数和中位数绝对偏差（MAD）进行异常值清洗，利用Spearman相关性消除冗余特征，并通过内部验证保留12个关键特征；采用完整电池分组四折交叉验证，比较随机森林、XGBoost、LightGBM和LSTM四种模型，并以LightGBM为基模型进行特征消融实验，量化不同特征类型对SOH估计的贡献。样本队列来源为两个品牌各8个共16个电池，在25 °C和45 °C下测试。

研究结果如下：

**3.1 充放电过程中的膨胀力响应**
通过分析电池A3在45 °C首次完整循环中的膨胀力动态变化，发现膨胀力在充电阶段随容量增加而总体上升，并在特定SOC区间出现波动；放电阶段总体下降，但变化路径与充电阶段不完全重合，表现出明显的机械滞回现象。静置阶段膨胀力出现一定程度的松弛，表明浓度梯度缓解和应力释放过程。若完整循环后膨胀力未能完全恢复至初始水平，则说明循环中存在残余机械响应累积。

**3.2 膨胀力特征与长期循环容量衰减的关联**
通过提取循环级膨胀力曲线的最大值、最小值、均值、变化范围、充放电阶段起止值、静置松弛变化和不可逆膨胀力变化等基本机械特征，发现随着循环次数增加，膨胀力曲线基线、峰值、谷值和静置松弛幅度均发生变化，且部分膨胀力特征与容量衰减呈现较明显的同步关系，表明膨胀力可反映长期循环老化导致的机械信息累积。

**4.2 电压-容量微分特征**
基于放电阶段容量(Q)与电压(V)的关系构建dV/dQ曲线，提取谷1、主峰和谷2的位置、高度和面积共9个候选特征。随着循环进行，dV/dQ曲线中谷和峰的位置偏移、幅值变化，反映了电压平台的迁移和局部极化变化，这些特征包含了与SOH相关的退化信息。

**4.3 膨胀力-容量微分特征**
计算膨胀力-容量曲线的导数dF/dQ，提取主峰和主谷的位置、高度和面积共6个候选特征。dF/dQ曲线在不同循环下呈现明显的峰谷结构，表明机械响应在特定容量区间存在局部增强或释放，可提供机械退化信息的微分表达。

**4.4 温度特征与热-机械耦合信息**
从每个循环提取6个温度特征，包括循环平均温度Tavg_cycle、最高温度Tmax_cycle、最低温度Tmin_cycle、温度波动范围Tdelta_cycle、四个测量点最大温差循环均值T_spread_avg和平均腔体温度T_chamber_avg。对比45 °C和25 °C下膨胀力特征的变化，发现环境温度影响膨胀力累积过程和SOH退化路径，高温可能通过改变反应速率、极化过程和界面副反应间接影响膨胀力特征。

**5.4 结果分析**
在离群值清洗和关键特征选择后，使用相同分组四折交叉验证评估随机森林、XGBoost、LightGBM和LSTM四种模型。LightGBM取得最佳平均性能，MAE为3.172 ± 0.094 × 10^?3，RMSE为3.656 ± 0.089 × 10^?3，R²为91.36 ± 0.71%。随机森林和XGBoost种子间变异较小但平均误差较高，LSTM具有竞争性均值误差但种子间变异最大，表明其在当前有限电池样本下对初始化敏感。所有模型均能跟踪SOH整体下降趋势，但拟合局部波动和末端退化段存在差异。

**5.5 基于LightGBM的多模态特征消融实验**
以LightGBM为基模型，保持数据划分和模型参数不变，仅改变输入特征组合。将12个关键特征分为电学、热学、循环级膨胀力、dV/dQ和dF/dQ五组。仅使用电学特征时平均RMSE为0.0146，R²为26.29%；加入热学特征后误差未显著降低；加入dV/dQ特征后，电-热-dV/dQ组合平均RMSE降至0.0057，R²升至85.49%；进一步加入膨胀力特征后，电-热-力-dV/dQ组合平均RMSE降至0.0034，R²升至93.29%；所有特征全集的平均RMSE为0.0036，R²为91.83%；移除循环级膨胀力特征后，平均RMSE升至0.0064，R²降至75.66%，证实膨胀力特征提供了电压和温度信号无法直接捕获的机械响应信息，对SOH估计贡献显著。

**总结讨论与结论**
本研究通过特征消融实验证实，多模态融合显著优于单一类型特征，与仅使用电学特征相比，五类融合特征将RMSE降低约75.57%。移除膨胀力特征后误差显著上升，确认膨胀力特征提供了关键的机械退化信息。dF/dQ特征提供了机械响应随容量变化的局部信息，但在当前数据集中与膨胀力特征存在一定程度的信息重叠，其独立贡献有待更多电池样本来验证。研究结论翻译如下：
（1）530 Ah方形储能电池在循环中膨胀力表现出显著的非线性变化和充放电不对称性，随老化进程加深，部分膨胀力特征与容量衰减呈同步趋势，表明膨胀力可从宏观机械角度反映不可逆内部响应的累积，可作为SOH估计的有价值补充信号。
（2）从37个候选特征中筛选出12个关键特征，覆盖电学、热学、膨胀力、dV/dQ和dF/dQ五类，其中膨胀力和dF/dQ特征共占6项，这些特征在12个模型-折选择组合中至少9次被保留，表明全局膨胀力响应及其容量依赖微分描述符在特征筛选中持续贡献。离群值清洗和完整电池分组流程减少了局部离群点和样本划分偏差对特征评估的影响。
（3）在相同12个关键特征和完整电池分组测试协议下，随机森林、XGBoost、LightGBM和LSTM均能跟踪SOH退化趋势，其中LightGBM取得最佳整体性能，平均MAE、RMSE和R²分别为0.0032、0.0037和91.36%。结果表明，在当前循环级特征输入和有限电池样本下，非线性树模型适用于多模态特征；LSTM可利用序列循环信息，但稳定性受样本量和输入形式限制。
（4）特征消融实验表明多模态融合优于单一类型特征，与仅使用电学特征相比，五类融合特征将平均RMSE降低约75.57%。移除膨胀力特征使平均RMSE从0.0036升至0.0064，平均R²从91.83%降至75.66%，证实膨胀力特征对SOH估计的重要贡献。dF/dQ特征提供机械响应随容量变化的局部信息，但在当前数据集中与膨胀力特征存在部分重叠，需更多电池样本验证其独立贡献。本研究表明，将膨胀力及其微分特征纳入大容量储能电池SOH估计具有实际工程价值。未来研究可扩展电池品牌、容量规格和运行工况，结合阻抗测试、拆解分析或材料表征验证膨胀力特征与特定退化机制的对应关系，并探索适用于在线部署的轻量化多模态SOH估计方法。