基于短时放电测试的电池健康状态估计在独立实验平台间的可重复性研究

《Journal of Energy Storage》：Reproducibility of battery state of health estimation using short discharge tests across independent experimental platforms

　　

摘要专业翻译 利用3分钟部分放电片段实现了快速SOH估计。尽管采用了相同的电芯型号和实验方案，独立获取的数据集之间仍存在差异。数据集内部学习在两个数据集中均能获得稳定的SOH估计结果。跨数据集应用揭示了模型对输入数据分布的敏感性。集成学习在合并数据集上保持了可用的估计精度。本研究采用先前开发的基于短时放电的SOH估计框架，利用两个独立获取的数据集进行评估，两个数据集来自相同的商用锂离子电芯型号，并采用方法学上匹配的老化和诊断流程。研究将两个数据集之间的差异视为数据集间变异性，可能综合反映电池测试设备、测量精度、温度控制策略、局部环境条件、电芯间差异以及退化轨迹等方面的不同。研究旨在：（i）表征在名义上匹配的实验方案下独立获取的数据集之间的可测量差异；（ii）评估数据集间综合变异性如何影响短时SOH估计的迁移性和电芯级泛化能力；（iii）评估通过集成学习扩大训练数据覆盖范围是否能够提高模型对此类变异性的估计鲁棒性。该分析旨在对独立运行的实验环境之间的可重复性进行受控评估，而非将观察到的差异归因于特定平台组件的因果效应。本研究的发现基于所考察的电芯和实验条件，更广泛的适用性需要通过更多样化的数据集和运行条件进行进一步验证。

论文解读

一、研究背景与问题提出

交通运输领域是温室气体减排最具挑战性的领域之一。随着电动汽车和储能系统的全球快速部署，退役锂离子电池的数量持续增长。一般而言，当电动汽车电池可用容量衰减至初始值的约80%时，即从车辆服役中退出。然而，这些退役电池仍保留相当数量的残余容量，直接废弃或回收在资源利用效率上并不经济。退役电池的梯次利用因此成为重要的决策节点，涉及处置、材料回收、修复、翻新或二次利用等多种路径。

在退役电池的筛选和重组过程中，电芯间在容量、内阻和老化行为上的不一致性会显著影响实际可用性，并增加筛选和配组的复杂性。可靠的SOH监测对于电池安全运行和全生命周期决策至关重要。近年来，利用短时充电、放电或静置片段结合数据驱动模型进行快速SOH估计的研究日益增多，相关研究已在多种电芯类型和诊断片段上展示了短时、数据高效的SOH估计潜力。

然而，现有研究在训练数据与评估数据之间的独立性方面存在局限。已有研究多采用同一数据集内的留一法交叉验证，或借助目标数据集部分数据进行跨数据集迁移学习。这些验证策略尚未直接回答一个关键问题：一个固定的、在单一实验平台上训练好的SOH估计模型，在完全不使用目标平台数据进行模型开发的情况下，能否在另一个独立运行的实验平台上保持可比的估计性能？即使使用相同的商用电池型号和名义上匹配的实验方案，独立获取的数据集之间仍可能因测量系统、环境控制、数据采集流程、电芯批次差异等因素而产生可测量的差异。这一问题对于数据驱动的SOH估计尤为重要，因为机器学习模型不仅受电池物理退化特性的影响，还受训练数据所代表的统计分布的影响。

二、研究内容与主要结论

针对上述问题，本研究利用两个独立获取的数据集，对先前开发的基于短时放电的SOH估计框架进行了系统评估。两个数据集来自相同的商用电池型号——三星SDI INR21700-40T圆柱形NCA电芯，并采用方法学上匹配的老化和诊断流程。研究将两个数据集之间的差异视为数据集间变异性，综合反映电池测试设备、测量精度、温度控制策略、局部环境条件、电芯间差异和退化轨迹等多重因素。

研究发现，尽管实验方案名义上匹配，两个独立数据集在退化轨迹上表现出明显差异：平台A（APRO设备）的电芯在1000次循环后平均容量衰减约28%，最终SOH约为72%；平台B（Arbin设备）的电芯在相同循环范围内SOH约为80%–83%，容量衰减约17%–20%。数据集内部学习在两个数据集中均能获得稳定的SOH估计性能，而直接跨数据集应用则表现出对输入数据分布的敏感性，估计精度出现明显下降。集成学习——即使用两个数据集合并训练——在跨数据集评估中保持了可用的估计精度，表明更广泛的训练数据覆盖有助于提高模型对数据集间变异性的鲁棒性。

该研究发表在《Journal of Energy Storage》上，其重要意义在于：首次在严格控制方法学一致性的前提下，系统评估了短时数据驱动SOH估计框架在独立实验平台间的可重复性，为退役电池筛选和梯次利用场景下的模型部署提供了实证依据。

三、关键技术方法

研究人员采用了以下主要技术方法：使用三星SDI INR21700-40T商用NCA圆柱电芯，在平台A（APRO APC-5V20A电池测试设备，标准实验室室温条件）和平台B（Arbin LBT 21084系统，恒温25°C气候箱）两个独立实验平台上各测试5只电芯。实验方案包括状态初始化、诊断放电、参考容量测量和老化循环的结构化序列。老化通过重复部分放电循环进行至多1000次，每100次循环间隔重复完整诊断和参考测量序列。诊断数据采集采用3分钟恒流部分放电片段（1C或0.5C倍率），从满充状态起始。数据预处理方面，从每个完整3分钟片段中均匀选取20个代表点，提取电压、时间和累积放电容量值，并计算dV/dt和dV/dQ斜率特征，组装为20×3的固定输入表示。模型采用先前建立的基于LSTM的架构，输入特征使用仅从训练集计算的min-max缩放参数进行归一化。

四、研究结果

数据集间差异表征。 通过对两个独立实验平台的退化轨迹和诊断电压响应进行比较分析，研究人员发现尽管采用相同的商用电池型号和名义上匹配的实验方案，两个数据集在退化幅度上存在显著差异。平台A的电芯老化程度明显更深，1000次循环后SOH降至约72%，而平台B的电芯SOH保持在约80%–83%范围。两个数据集均呈现一致的单调SOH下降趋势，但退化轨迹的整体幅度不同。这些差异不能单独归因于电池测试设备或温度控制策略，还涉及测量系统特性、环境控制、电芯批次差异和预测试历史等多重因素的综合影响。

数据集内部学习性能。 在单一数据集内部进行训练和评估时，基于短时放电的LSTM模型在两个数据集中均获得了稳定的SOH估计性能，验证了该框架在单一实验环境下的可靠性和有效性。

跨数据集直接应用性能。 将一个数据集训练的模型直接应用于另一个独立数据集时，SOH估计精度出现明显下降，表明模型对输入数据分布的变化具有敏感性。这一结果揭示了数据集间变异性对模型迁移性的实质性影响。

集成学习性能。 使用两个数据集合并训练模型后，在跨数据集评估中保持了可用的估计精度。集成学习通过扩大训练数据对数据集间变异性的覆盖范围，有效提高了模型的估计鲁棒性。

五、讨论与结论

讨论部分指出，数据驱动SOH估计模型不仅受电池物理退化特性的影响，还受训练数据统计分布的显著影响。即使使用相同商用电池型号和名义上匹配的方案，独立获取的数据集之间仍可能存在可测量的电压响应和退化轨迹差异。这些差异并不表明数据驱动方法本质上不可靠，而是提示模型的实用鲁棒性取决于训练数据是否充分反映单实验室环境之外可能遇到的电芯间和数据集间变异范围。因此，关键要求不仅是更大的数据量，更是能够充分代表实际变异范围的训练数据集。

研究结论指出，本研究通过两个独立获取的数据集，系统评估了短时放电SOH估计框架的跨平台可重复性。研究发现，数据集内部学习在两个数据集中均能获得稳定的估计性能，但直接跨数据集应用对输入数据分布变化敏感，而集成学习能够有效缓解这一问题。该研究为退役电池筛选和梯次利用场景下的数据驱动SOH估计模型部署提供了重要的可重复性评估依据，强调了在模型开发和验证阶段充分纳入现实变异性的必要性。研究的局限性在于，观察到的差异无法在因子实验设计下进行因果归因，更广泛的适用性需要通过更多样化的数据集和运行条件进行进一步验证。