随着全球能源转型和交通电气化的加速，锂离子电池已成为新能源汽车和新型储能系统的核心组件 [1], [2]。然而，长期电池运行中不可避免的电容量衰减和安全隐患对系统的经济性和可靠性构成了严峻挑战。因此，准确的健康状态 (SOH) 预测对于实现安全预警、能效优化以及电池梯次利用和闭环回收决策至关重要 [3], [4], [5]。
传统的 SOH 确定依赖于全循环充放电容量标定，这本质上耗时且耗能，因此无法满足车辆应用中的车载监测要求 [6]。当前主流预测方法可分为机理驱动和数据驱动方法。基于机理的模型通过电化学或等效电路模型描述内部反应过程，具有强物理可解释性，但面临高非线性和计算复杂性的问题 [7], [8]。相比之下，数据驱动方法可以自动挖掘特征与 SOH 之间的映射关系，避免了复杂的物理建模；然而，其“黑盒”性质使得阐明内部老化机制变得困难 [9], [10]。
随着人工智能的进步，数据驱动方法已成为 SOH 预测的主导途径 [11]。现有研究采用了外部可测量参数，如电流、电压和温度作为健康指标。Li 等人 [12] 从上述数据中提取了五个特征输入到正则化模型中，实现了 SOH 预测的最大均方误差仅为 2.1%。Montes 等人 [13] 进一步集成了脉冲内阻特征，并将神经网络与树回归模型融合，在单体电池级别实现了低于 1.75% 的平均绝对百分比误差。然而，此类指标仅是外部表征，无法揭示内部老化的演化机制。尽管应力、超声波和视觉等物理信号可以扩展特征维度 [14], [15], [16], [17]，但可解释性弱和响应滞后的问题依然存在。
电化学阻抗谱 (EIS) 是一种成熟的无损测试技术，能够捕捉多尺度动力学过程，因此广泛应用于 SOH 评估 [18], [19]。完整的 EIS 测试覆盖从 104 Hz 的超高频电感区到 0.1 Hz 的低频扩散区；然而，全谱测试，特别是在低频带，需要较长的激励时间且易受操作波动影响，限制了其在在线监测中的适用性 [20], [21]。因此，利用中高频 EIS 特征实现高精度 SOH 估计仍是当前工程实施中的关键瓶颈。关于中高频 EIS 特征的解耦，等效电路模型 (ECM) 和弛豫时间分布 (DRT) 是两种主流方案 [22], [23], [24]：ECM 使用物理明确的电路元件拟合阻抗，参数直观且可解释，但对重叠极化过程的分辨率有限；DRT 将频域阻抗转换到时常数域，通过连续分布函数解耦重叠的极化过程，从而能够明确区分与老化相关的反应进程，尽管其特征维度高且对噪声敏感。大多数现有研究仅单独使用 ECM 参数或 DRT 特征，缺乏两者的深度集成。鉴于 ECM 擅长量化宏观阻抗演化，而 DRT 能够阐明潜在的老化机制，协同这两种特征集的健康指标有望规避单维方法的局限性，从而实现兼顾精度与可解释性的 SOH 预测 [25]。
基于此，本研究提出了一种集成的 ECM-DRT-XGBoost 框架。利用等效电路建模和 DRT 反卷积，从电池循环过程中收集的 408 个阻抗谱中提取了 14 个健康指标。这些参数包括欧姆电阻 (R0)、电荷转移电阻 (Rct) 和弛豫峰强度 (γ) 等。特征演化分析阐明了两阶段老化机制，并与 XGBoost 模型集成，实现了高可解释性的 SOH 预测。实验结果表明，该框架在测试集上的 R2 达到 91.5%，较基于 ECM 的模型提升了 18.7%，较基于 DRT 的模型提升了 10.7%。特征重要性分析进一步证实，欧姆电阻和 SEI 膜电阻 (RSEI) 是 SOH 退化的主导因素。
Y1, CPE-n1, Rct, CPE
