基于顺序分段的关键参数识别与锂离子电池电化学阻抗谱的有效重构
《Energy Storage Materials》:Sequentially segment-based identification of key parameters and effective reconstruction of electrochemical impedance spectroscopy for lithium-ion batteries
【字体:
大
中
小
】
时间:2026年09月21日
来源:Energy Storage Materials 19.3
编辑推荐:
• 通过阻抗谱执行顺序参数敏感性分析。
• 从分段EIS中识别出三个或两个高度敏感的参数。
• 三个频段中各步骤的关键参数由Transformer模型确定。
• 参数三元组或二元组足以重建分段EIS谱。
引言
锂离子电池(LIBs)已成为从电动汽车(EVs)到电网级系统中
• 通过阻抗谱执行顺序参数敏感性分析。
• 从分段EIS中识别出三个或两个高度敏感的参数。
• 三个频段中各步骤的关键参数由Transformer模型确定。
• 参数三元组或二元组足以重建分段EIS谱。
引言
锂离子电池(LIBs)已成为从电动汽车(EVs)到电网级系统中各类应用的主导储能技术。电池技术的日益普及,突显了对计算高效、可靠且具有物理可解释性的建模工具的需求,以便在实际运行条件下对电池健康和安全进行全面评估。虽然精确建模需要对模型参数进行精确估计,但物理模型参数识别所带来的计算负担限制了其在实时和嵌入式能量管理应用中的可行性。因此,开发简单、高效且快速的参数估计策略对于推进下一代电池诊断技术至关重要。
锂离子电池的等效电路模型(ECMs)利用电阻、电容和Warburg元件的组合来近似电化学行为[1],为参数估计提供了计算简便的框架。然而,尽管具有数值效率,ECMs缺乏物理严谨性,无法捕捉电芯内部的耦合传输和反应过程,从而限制了其预测精度。为加强物理一致性,已开发了基于物理的电化学模型,如Doyle–Fuller–Newman(DFN)模型或伪二维(P2D)模型[2]、降阶电化学单颗粒模型(ROESPM)[3]以及带电解质的单颗粒模型(SPME)[4]。这些模型显式地描述了锂离子在电极和电解质中的传输以及界面动力学,提供了对内部电化学动态过程的全面描述。然而,由于其需要识别大量参数(包括传输特性、浓度相关行为和反应动力学)后才能求解耦合控制方程,因此这些模型的在车上实际应用受到了限制。
为应对电化学参数的高维特性,先前的研究已利用敏感性分析来确定最显著控制模型行为的参数[5,6]。虽然这些分析通常提供定性指导而非精确的定量估计,但识别最敏感的参数是缩小有效搜索域、实现高效参数识别的关键步骤。在敏感性分析之后,参数识别构成基于物理的电化学建模中的另一项关键挑战。因此,这些模型已与优化方法相结合,如粒子群优化(PSO)[7]、遗传算法(GA)[8]和基于Fisher信息的可识别性分析[9],以促进定量参数估计和不确定性评估。虽然这些方法增强了计算可行性,但仍计算量大且对初始参数值的选择高度敏感。最近,数据驱动方法作为传统参数识别方法的有力替代方案应运而生。与直接模型拟合不同,机器学习(ML)或深度学习(DL)模型使用从实验数据中提取的特征(如电压曲线或差分容量(dQ/dV)曲线)进行训练[[10], [11], [12]]。然而,模型的有效性取决于大量多样化数据集的可用性,而获取这些数据往往代价高昂且耗费人力。特别是,从完整的充放电周期中收集数据可能需要每个样本数小时,这对大规模实施构成了重大障碍。为缓解这一障碍,电化学阻抗谱(EIS)作为ML模型的输入已越来越多地取代电压或电流时间序列。这种快速且无损的测量方法通常能在数十分钟内(取决于频率范围和平均设置)捕捉频率域中的详细电化学动态,非常适合实际部署。
基于EIS快速捕捉电化学动态的能力,EIS为电荷转移电阻、离子扩散和固态-电解质界面(SEI)行为提供了有价值的洞察[13,14],使其成为健康评估、老化分析和退化模式诊断[15]不可或缺的工具。尽管EIS具有成熟完善的物理基础,但由于拟合算法和参数调优的劳动密集型特性,从EIS中提取定量且可解释的电化学参数的传统方法仍然固有地困难[16,17]。然而,EIS相较于其他数据源保留了独特优势:EIS中不同的频率段对应不同的过程——低频对应质量传输,中频对应电荷转移,高频对应欧姆行为[1,18,19]。这种强烈的物理对应关系使EIS成为开发高效且可解释的参数估计策略的理想基础,这也直接促成了本研究提出的方法。
受这些洞察的启发,本研究提出了一个具有三个显著特征的框架:推理过程中仅使用EIS作为测量输入,通过轻量级Transformer架构在保持P2D模型物理保真度的同时兼顾计算效率,以及引入了一种新颖的频域分段敏感性和识别分析。与同时估计所有参数的传统方法不同,我们将EIS谱分为低频(L)、中频(M)和高频(H)频段,每个频段分配给一个专用的Transformer回归器。对数据进行分段不仅降低了参数估计的维度,还显著澄清了各频率段与相关关键电化学参数之间的关系。此外,与以往依赖长时间电压-电流历史或微分数据的参数识别研究不同,仅使用部分EIS分段显著降低了数据收集需求。
表1突出了现有参数识别方法之间的主要比较。重要的是,我们的框架克服了基于优化(O-based)方法和其他数据驱动方法的局限性。传统基于优化的方法保持了较高的物理精度,但存在显著的计算成本和初始参数设置的敏感性[3,4,7,8]。数据驱动框架则通常依赖时域数据,需要长时间采集和大量数据集,尽管近年来物理信息模型有了发展,但仍提供有限的物理可解释性[[10], [11], [12]]。相比之下,我们的框架使用频域分段EIS数据,采集时间在数分钟内完成,且每个频率段仅需要显著更少的段特定电化学参数,从而大大简化了分析过程。本研究利用来源于P2D仿真数据作为训练数据,这为大规模循环实验提供了一种快速且经济高效的替代方案,从而显著减少了时间和实验负担。为弥合仿真与实测之间的差距,进一步纳入了半经验范围校准程序,利用实验推导的阻抗包络线来优化参数边界。因此,所提出的框架在保持实时可操作性的同时,维持了较低的计算开销和最小的数据需求。这些特性使其特别适合在电池应用中实施物理信息的实际应用。
为提高参数识别效率,首先实施了基于Sobol的全局敏感性分析,以顺序确定各指定频段内的主导参数。三个频段的划分产生了六个不同的序列(例如L/M/H序列),反映了频段依赖的参数贡献。具有可忽略影响的参数被约束在其标称值上,从而保持计算可行性和物理保真度。其次,通过将频率分段与基于Transformer的回归相结合,所提出的框架能够实现各序列在每个谱带内关键参数的快速识别。第三,引入了分段拼接策略,将各频段的识别结果重新组合,并量化所得结果与实测全频段EIS曲线之间的偏差。这直接检验了可在各频段内识别的二元组或三元组是否联合足够描述全局阻抗行为。本研究的核心贡献有四方面:(i)实现了从各频段内的分段EIS数据中直接识别关键参数,同时将参数数量限制在最多数为三个的紧凑集合内;(ii)表明特定的EIS分段可以仅由少量关键参数确定;(iii)提供了快速获取各频段内主导参数物理一致、单调且可解释的退化趋势的方法,这些趋势与健康状态(SOH)演化相关;(iv)实现了近乎实时的参数识别——每个分段谱约0.3秒——同时将谱重建误差保持在1.2%以下,相较于传统的基于GA的方法实现了数个数量级的加速。
本文其余部分组织如下。第2节描述了实验设置和物理信息建模工作流,包括基于GA的校准、参数范围调优以及对每个序列应用的多频段敏感性分析。第3节介绍了基于Transformer的回归框架,涵盖输入表示、模型架构和训练配置。第4节报告了结果与讨论,包括模型性能基准测试、参数随循环老化的演化、谱段重建、分频段拼接和模型性能分析。最后,第5节总结了主要发现并概述了未来的研究方向。
节选片段
工作流与方法
为实现和验证从EIS数据进行物理一致且计算高效的参数估计,本文提出了一种结构化的五阶段工作流。如图1所示,该框架统一了基于物理的建模、顺序分段的全球敏感性分析、多个小型数据驱动模型、各段内关键参数的识别以及EIS曲线的多段重建。
该工作流从P2D电化学模型和基于Transformer的回归模型的初始校准开始。
基于第2节建立的频率分段Sobol分析,本节开发了基于Transformer的回归框架,用于从部分EIS测量中快速、可解释且可靠地估计关键电化学参数。每个频段(L、M、H)由一个专用的深度学习Transformer模型管理,该模型在对应的合成数据集上进行训练。通过这种方式,该框架在不同频域中对具有物理意义的阻抗特征进行了编码。
结果与讨论
基于前面章节建立的实验和训练配置,本节对用于电化学参数识别和EIS重建的Transformer-P2D框架进行了全面评估。受Sobol全局敏感性排序的启发,分析首先界定了顺序的、分频段的识别协议,随后采用多个Transformer模型推导各频段关联的关键参数。
结论
本研究提出了一种快速且可解释的框架,用于从部分EIS测量中估计关键电化学参数。通过将基于物理的GA反演、三步Sobol敏感性筛选和分段专用Transformer回归相结合,所提出的方法表明,阻抗谱的受限分段(对应低频、中频或高频区域)既足以恢复关键电化学参数,也足以重建完整的谱。
生成式AI及AI辅助技术在稿件准备过程中的声明
在本工作准备过程中,作者使用了ChatGPT和Claude进行语言编辑和格式排版。在使用这些工具后,作者根据需要审阅和编辑了内容,并对已发表文章的内容承担全部责任。
CRediT作者贡献声明
Ying Kung:撰写——初稿、方法论、形式化分析、数据整理。
Cheng-Hsi Tien:软件、形式化分析、数据整理。
Yi-An Chen:验证、软件。
Chi-Jyun Ko:监督、方法论、概念化。
Kuo-Ching Chen:撰写——审阅与编辑、撰写——初稿、监督、项目管理、概念化。
Ying Kung | Cheng-Hsi Tien | Yi-An Chen | Chi-Jyun Ko | Kuo-Ching Chen
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号