基于电压分段健康指标的储能LFP电池寿命预测：数据驱动与Arrhenius-数据融合模型的比较研究

《Batteries》：Life Prediction of Energy Storage LFP Batteries Based on Voltage Segment Health Indicators: A Comparative Study of Data-Driven and Arrhenius-Data Fusion Models

　　

大容量磷酸铁锂（LFP）电池在储能系统中占主导地位，但其退化特性与小容量电池不同。大多数现有寿命预测方法需要完整的电压-电流时间序列数据，这在实际操作中难以获得。本文提出了两种寿命预测方法：一种数据驱动方法和一种经验-数据混合方法。数据驱动方法采用从部分电压分段中提取的总电压下降（SVF）作为健康指标，消除了对完整充放电波形数据的依赖，增强了工程实用性。该方法采用统一数值拟合框架结合高斯过程回归（GPR）残差校正，并为320 Ah和298 Ah电池数据集定制了拟合策略。混合方法将Arrhenius模型与卡尔曼滤波（Kalman Filter）相结合，用于闭环在线预测校正。两种方法均使用320 Ah电池的281次循环数据进行验证，数据驱动方法进一步使用298 Ah电池的150次循环数据进行验证。结果表明，数据驱动方法在数据有限时表现更好，适用于离线一次性检查场景；混合模型在数据充足时达到更高精度，适用于长期在线剩余使用寿命（RUL）监测。数据驱动方法在2σ置信水平下给出最坏情况循环寿命为3304次循环，混合模型在使用200次循环训练数据预测未来1000次循环时误差保持在5%以下。

**论文解读文章：基于电压分段健康指标的储能LFP电池寿命预测方法研究**

**研究背景与问题**
大容量磷酸铁锂（LFP）电池因其高安全性和长循环寿命，在储能系统中占据主导地位。然而，其退化特性与小容量电池存在显著差异，且现有寿命预测方法大多依赖完整的电压-电流时间序列数据，这在实际运行中难以获取。因此，研究人员提出基于电压分段健康指标（Health Indicator, HI）的预测方法，以降低数据要求并提升工程实用性。该研究旨在开发两种不同类别的预测模型：数据驱动方法和经验-数据混合驱动方法，并比较其在不同数据场景下的性能。相关论文发表在《Batteries》。

**关键技术与方法**
研究人员采用两种主要技术路线：
1. **数据驱动方法**：从部分电压分段提取总电压下降（SVF）作为健康指标，通过支持向量机（SVM）建立SVF与容量的映射关系，再结合对数拟合与高斯过程回归（GPR）残差校正，预测SVF趋势并转化为容量退化。该方法针对320 Ah和298 Ah两种大容量电池数据集分别定制了拟合策略（对数拟合和指数拟合）。
2. **混合模型方法**：基于Arrhenius经验模型进行前向预测，采用安时积分法（Coulomb Counting）实现在线容量估计，通过卡尔曼滤波（Kalman Filter）进行闭环融合校正，实现“预测-校正”同步。样本来源为实际储能系统中320 Ah和298 Ah大容量LFP电池的循环老化数据（281次和150次循环）。

**研究结果**
**4.1. 数据驱动SVM-数值拟合方法的验证**
通过特征消融研究，分析了不同电压段组合与实际容量的相关性。结果显示，包含起始段（ΔV_a）和末端段（ΔV_b）的组合具有最高线性相关性（R²=0.957），但整合所有四段（SVF）后，虽线性相关性略有稀释，却引入了非线性退化信息，增强了全局预测鲁棒性。基于320 Ah数据，SVF与循环次数呈对数衰减趋势，拟合R²达0.9324，经GPR残差校正后，预测值更接近实测值。在298 Ah数据上，采用指数拟合结合GPR校正，同样获得良好拟合效果，但训练数据有限（约80个循环）时，长期预测出现一定趋势偏差，但整体仍符合实际物理退化过程。

**4.2. 混合模型方法的验证**
基于离散化Arrhenius模型迭代计算容量估计值，安时积分法提供在线测量值，卡尔曼滤波以0.5权重融合两者。结果显示，约60个循环后，单独Arrhenius模型的估计值与实测值趋于一致，但残差仍存在；混合模型有效补偿了残差并消除了伪波动，实现了预测与校正的同步效果。

**4.3. 方法比较**
数据驱动方法所需数据量较低，仅需部分电压曲线；而混合模型依赖完整电压-电流曲线用于安时积分。在相同数据集划分条件下，数据驱动方法在有限数据时预测误差更小，且能输出置信区间（80%容量保持率时，2σ范围内最坏循环寿命为3004次）。混合模型在数据积累后自适应调整参数，长期预测精度逐步提升，可用1000次循环内误差控制在5%以内。但数据驱动方法为离线模型，需重新计算；混合模型在线更新，更具实际应用前景。

**结论与讨论**
本文提出两种电池寿命预测方法，分别属于数据驱动类和经验-数据混合驱动类。使用实际储能系统大容量LFP电池循环老化数据验证了两种方法的性能，并额外验证了数据驱动方法。比较结果表明，数据驱动SVM-数值拟合方法在可用数据量有限时精度较高，能准确拟合实际测量数据；而Arrhenius混合模型在数据有限时性能不如前者，但在数据充足且模型参数多次迭代后精度更高。基于上述结论，对于大容量储能系统，在线混合模型更适合长期运行中的连续剩余使用寿命（RUL）监测，其精度随系统运行时间增加而提高；离线数据驱动模型更适用于独立的一次性检查或系统运行数据量较少的场景。本文用于方法验证的数据循环次数小于300，仍远未达到大容量LFP电池的寿命终点，且大容量电池的退化特性与小容量不同，因此验证结果仍有局限性，方法的适用性需进一步探索。此外，两种方法的优缺点可以进一步优化以扬长避短。