基于单循环统计推断与参数化放电曲线的电池预后方法

《Journal of Energy Storage》：Battery prognostics using single-cycle statistical inference and parametric discharge curves

　　

电池管理系统需要能够在多种运行条件下泛化且计算高效的预后方法。本文提出一种统一预后框架，其回归模型在离线阶段利用电池机群多循环历史数据训练后，在部署阶段支持：(i) 从单次放电循环预测健康状态（SOH）轨迹；(ii) 由运行条件预测完整放电电压曲线以进行情景分析。该方法使用26组锂离子（Li-ion）包在不同放电制度下循环的数据集进行训练与验证。对于SOH预测，框架分两阶段工作：离线训练阶段，将每组电池完整或部分容量轨迹用修正指数衰减律表示，并通过曲线拟合提取控制衰减参数 b 作为有监督回归目标；在线推断阶段，已训练的回归模型为全新未见放电循环预测 b，无需该电池未来循环观测，从而实现部署时从单次放电循环估计剩余使用寿命（RUL）。该公式通过参数曲线拟合将SOH预后重构为低维回归问题，而非需多循环的时间序列预测，故数据高效。对于放电曲线预测，采用受约束三区域三次Hermite参数化刻画开路电位与负载条件，含固定早时节点、作为回归目标预测的循环特定节点，以及由截止电压事件决定的终止时刻。回归模型经交叉验证与基于Pareto的选择评估，并使用stacking集成增强鲁棒性与泛化能力。所得模型在恒定电流剖面下生成一致放电曲线，并支持候选运行剖面下的what-if研究。将放电曲线预测与SOH预测结合，形成预后工作流：回归模型在实验循环数据上训练标定后，评估新候选运行条件时可减少额外物理放电实验需求。

研究背景方面，锂离子（Li-ion）电池在电气化交通、机器人与飞行平台中的快速应用，提升了对可靠健康管理与预后的需求。预测电池剩余使用寿命（RUL）及其在不同工况下放电响应是核心挑战，退化受电化学与热机制耦合驱动，且高度依赖占空比、温度、充放电倍率与放电深度。现有方法分为实验、模型驱动、数据驱动与混合四类：实验表征准确但昂贵耗时；模型驱动依赖参数辨识且对未建模因素敏感；数据驱动可扩展高效，但多数需跨多循环的长历史序列；混合物理信息学习仍常需多循环历史。在在役现场诊断、梯次电池再认证、移动与飞行平台及快速投运等缺乏密集历史的场景中，循环稀疏预后与基于情景的放电响应预测未被充分解决。研究人员据此以中佛罗里达大学与NASA Ames研究中心加速寿命测试数据集（26组双芯串联SAMSUNG INR18650-25Rpack，标称8.4 V/2.5 Ah，含恒流9.3–19.0 A与变载12.9–16.0 A、16.0–19.0 A等工况，含梯次电池）为基础，提出数据高效的多目标回归框架，实现从单循环统计描述符重构SOH轨迹与放电曲线。

关键技术方法上，研究人员将原始时序（time、voltage load、current load、battery temperature、派生power load）转换为单循环统计特征（最值、极差、均值、标准差、中位数、时间加权均值、偏度、峰度、IQR均值与IQR标准差等），电压除以8.4 V归一化、电流除以2.5 Ah得C-rate，容量由梯形积分电流得，SOH定义为实测循环容量与标称容量之比，端寿（EOL）取容量低于1.75 Ah（标称70%）。数据按电池级拆分：13组训练验证、13组测试，排除47条异常循环，Savitzky–Golay（15 s窗、三次多项式）平滑。SOH侧用修正指数衰减律拟合容量轨迹提取衰减率参数 b 作目标；放电曲线侧用受约束三区域三次Hermite参数化降为6参数（Δ₁、m₀、s₁、m₃、Δ₃、τ₂），早时节点固定、循环特定节点回归预测、终时由截止电压事件定。回归侧评估12种算法，经标准化、5折交叉验证、9目标Pareto前沿选择，stacking集成（ElasticNet元学习）融合。

研究结果部分，引言指出已有深度学习多为高维序列到序列回归，计算贵、需稠密标签、可解释性差；本文贡献为将预后重构为低维参数回归、三区域Hermite放电曲线、修正指数衰减SOH模型、统一工作流。数据集描述与探索部分显示，老化使电压跌落、产热上升、达5 V截止时间缩短；ACF/PACF/CCF确认时序冗余，支撑统计特征替代原始序列；PCA/t-SNE仅作理解不进特征。机器学习方法论部分阐明从时序到统计域转换消除顺序处理瓶颈，单循环特征毫秒级推断（约2.3 ms），电池级拆分防泄漏。SOH预测（修正指数衰减）中，离线拟合得 b，在线由单循环电压/电流/温度/功率统计描述符回归预测 b，闭式重建容量衰退与RUL，免未来循环、免1C参考放电。放电曲线预测（三区域Hermite）中，由开路电位与预期工况回归6参数，闭式重建电压轨迹，支持恒流剖面下一致曲线与what-if。统一工作流将两者耦合：给定假设电流/温度剖面生成放电曲线→推SOH/RUL演化，减少新工况物理实验。

讨论与结论部分，研究人员认为该框架主要动机在于部署上下文无密集历史（在役诊断、梯次再认证、移动/飞行平台、快速投运），而非否定电网侧密集监测价值。相比序列到序列深度模型，低维参数回归在电池级留一测试中泛化更严，推理约2.3 ms（含特征预处理、集成推断与指数/Hermite构造），支持what-if而多数对照法不支持或需秒级。修正指数衰减与三区域Hermite分别将容量轨迹与电压曲线压至1维与6维，使SOH与放电响应可在单循环统计描述符下联合推断。结论为：所提统一预后框架经26组Li-ion包验证，能从单次放电循环推SOH/RUL轨迹，并由工况推完整放电电压曲线；stacking集成与Pareto选择提升鲁棒性；该公式减少评估新候选运行条件时的附加物理放电实验需求，对资源受限嵌入式电池管理系统具应用意义。论文发表于《Journal of Energy Storage》。