基于ARMAX的锂离子电池容量衰减估计（考虑荷电状态与温度变化）

《Journal of Energy Storage》：ARMAX-based capacity fade estimation for lithium-ion cells across state-of-charge and temperature variations

　　

本文提出了一种基于ARMAX框架的锂离子电池健康状态（State of Health, SoH）估计方法，利用短时脉冲响应表征。电池动态通过三阶等效电路模型辨识，参数在不同荷电状态（State of Charge, SoC）、SoH、温度、C-rate和放电深度（Depth of Discharge, DoD）条件下估计。辨识参数被组织为多维查找表（Look-Up Table, LUT），随后通过多项式超曲面进行插值，从而实现连续参数表示和基于优化的估计。研究了两种状态估计过程（Status Estimation Process, SEP）策略：基于LUT的穷举搜索和基于拟合优度（Goodness-of-Fit, GoF）的插值参数空间局部优化。该方法使用独立的镍钴锰（Nickel-Manganese-Cobalt, NMC）和磷酸铁锂（Lithium Iron Phosphate, LFP）数据集进行实验验证，涵盖不同老化轨迹、低温条件、高C-rate运行以及代表性驾驶循环电流工况。此外，该算法在德州仪器（Texas Instruments, TI）F28379D嵌入式平台上实现并基准测试，以评估其在实时电池管理系统（Battery Management System, BMS）应用中的计算需求。实验结果表明，在所考虑的工作范围内，SoH估计误差一般低于5%，且所需训练数据远少于数据驱动方法。该框架在估计精度、计算复杂度和嵌入式实现适用性之间提供了有效折中，是实际电池健康监测的一种有前景的解决方案。

论文解读：基于ARMAX的锂离子电池容量衰减估计

该研究发表于《Journal of Energy Storage》。纯电动汽车以锂离子电池为核心动力源，但电池老化仍是关键瓶颈。广泛采用的NMC化学体系能量密度高，但电芯级循环寿命通常仅约3000次等效循环。欧盟2026年即将实施的电池法规要求制造商通过电池护照申报标准化健康指标，包括健康状态（State of Health, SoH）和剩余使用寿命（Remaining Useful Life, RUL）。SoH常定义为当前可用容量与寿命初始（Beginning of Life, BoL）容量之比，RUL指电池达到寿命终止（End of Life, EoL）前剩余的工作时间或循环次数，因此容量衰减的准确估计是基础。然而，运行中容量无法直接测量，需借助模型估计。现有方法各有局限：直接测量法需完整充放电周期，不切实际；基于增量容量、差分电压和阻抗谱的分析法受噪声影响；基于等效电路模型（Equivalent Circuit Model, ECM）和观测器的方法依赖SoC估计精度；数据驱动方法需要大量高质量训练数据，且更换工况或化学体系时需重训练。为弥补上述差距，该文提出一种基于ARMAX辨识的模型驱动SoH估计框架，结合短时脉冲响应测试、多维参数表征与拟合优度优化，兼顾精度、计算复杂度与嵌入式适用性。

研究人员构建了两阶段估计框架：参数估计过程（Parameters Estimation Process, PEP）离线建立电池行为库，状态估计过程（Status Estimation Process,