当前位置: 首页 > 邱健蓄电池-官方网站

基于等效电路和视觉特征的EIS锂离子Trojan蓄电池SOH估计退化模式发现

发布时间:2026-11-10 20:43:46 点击: 次

准确的健康状态(SOH)估计对于锂离子电池(LIBs)的安全可靠运行至关重要,然而大多数基于电化学阻抗谱(EIS)的方法都固定了单一的等效电路模型(ECM)拓扑结构和测量状态,而未测试该选择是否真正对退化最敏感,且很少将基于电路的发现与独立、与模型无关的相同阻抗数据表示进行交叉验证。本研究通过应用于四种商业锂离子电池(循环至寿命终点)的物理约束框架解决了这两个空白,在循环中的九个状态下获取了EIS谱图。在每个状态下拟合了六种ECM拓扑结构(1R至2RCPEW),并使用皮尔逊相关系数根据它们对容量衰减的敏感性对拓扑-状态组合进行联合排位。随后,将排位最佳的等效电路模型(ECM)参数作为输入,用于从左至右的隐马尔可夫模型(HMM),将电池老化划分为有序的潜在退化状态,并将结果与应用于Nyquist和DRT图DINOv2嵌入的HMM进行对比。最后,使用高斯过程回归(GPR)来估计健康状态(SOH),分别考虑是否将HMM推导的状态标签作为辅助特征。结果表明,状态V(充电后静置达到)对大多数ECM而言具有最高的退化敏感性,其中欧姆电阻和电荷转移电阻是主要的健康因素。添加潜在状态特征改善了1RC、1RCPE和2RC模型的SOH预测(平均绝对误差MAE最高降低58.1%),但改善程度各异,这表明潜在退化信息的价值取决于底层ECM已经捕捉到了多少时间结构。
关键词:
锂离子电池; EIS; SOH估计; 视觉Transformer; 等效电路模型; 隐马尔可夫模型

 

1. 引言

锂离子电池的特性,如高能量密度和长循环寿命,带来了安全挑战:随着能量密度增加,发生高强度热失控的风险可能增大,而短路、机械滥用或制造缺陷等故障可能导致火灾或爆炸[1]。除了直接的安全隐患外,电池退化(通常由循环和日历老化引起)会损害系统性能和可靠性,可能导致交通事故或大规模停电等严重事故。为了降低这些风险并防止此类情况发生,准确诊断电池健康状态(SOH)至关重要。
评估电动汽车(EV)电池的健康状态(SOH)和运行寿命依赖于可靠的算法,这对于广泛的利益相关者来说仍然是一个复杂的挑战[2]。此类评估对于确保安全至关重要[3],规划维护、优化性能、降低保修和更换成本,并为长期设计决策提供依据。因此,对锂离子电池(LIB)退化的精确表征和预测,已成为推进电池设计、管理及整体系统运行的基本要求[2].
现有的性能评估策略主要分为三类:基于模型的方法、数据驱动的方法和混合方法。基于模型的技术依赖于对电池内部电化学过程或可观测外部行为的数学建模[4,5,6]. 在此类模型中,等效电路模型(ECM)具有显著优势,在物理保真度和计算效率之间提供了实用的折中方案。与完整的电化学模型相比,ECM以显著降低的复杂度捕捉电池的关键动态特性,使其非常适合实时电池管理系统(BMS)的实现。
数据驱动的SOH估算方法完全依赖运行测量数据来训练预测模型。即使没有详细的电池内部电化学分析,这种方法也具有很强的适应性,并能够捕捉电池的非线性行为[4,7,8]。大多数采用该方法的已发表研究依赖于在受控实验室条件下收集的数据[9,10]、基于物理的模拟[11,12]或精选的公开数据集,如NASA Ames[13]、CALCE[14], 斯坦福/麻省理工快速充电 [15],以及HNEI基准测试[16,17]。为了捕捉电池性能中的衰减特征,人们实现了众多模型,从经典模型如随机森林(RF)[18]和高斯过程回归(GPR)[19],到基于神经网络的模型,如长短期记忆网络(LSTM)[20]、门控循环单元(GRU)[7],以及卷积神经网络 [21],转向了更先进的模型,如Transformer [22]。然而,由于BMS的可靠性与所采用模型的确定性校准密切相关,因此具有内置概率估计能力的GPR通常被认为更适合进行可靠的SOH估计 [4,19].
混合估计技术通过将基于模型方法的物理可解释性和稳定性,与数据驱动模型的灵活性和模式识别能力相结合,进一步提升了准确性和鲁棒性[23] 这种组合能够在各种使用条件下实现更可靠、更具泛化性的SOH预测。此外,为了缓解寿命预测中的数据稀缺问题,近期的少样本框架引入了微分增量容量、物理代理标签和准则自适应样本扩展(EOL-ATSE),以映射连续的整个生命周期退化轨迹,而非依赖固定的标量寿命终点目标[24,25].
随着锂离子电池在反复充放电循环中老化,其容量会逐渐衰减,导致可用能量减少,并引起电压曲线的明显变化。因此,有效的健康状态(SOH)评估依赖于识别能够充分捕捉这些退化相关变化的健康因子(HFs)。电化学阻抗谱(EIS)是监测锂离子电池内部电化学过程最强大的技术之一。EIS通常使用奈奎斯特图进行可视化,图中绘制了阻抗的实部和虚部。Akram等人[26]提出了一种数据驱动的SOH估算框架,通过结合EIS与弛豫时间分布(DRT)来解决重叠的电化学过程。具体而言,作者从电荷转移峰中提取了四个关键参数作为高频特征:面积、高度、半高全宽(FWHM)和中心弛豫时间。这些特征随后被用于训练LSTM模型,该模型捕捉了电池老化的长期时间依赖性,其估算精度由1.28%的平均绝对误差(MAE)给出。在另一项研究中,Thomas等人[27开发了一种显著频率提取(SFE)算法,用于识别EIS数据中与电池退化关系最强的频率,特别是在电荷转移区域内。通过仅关注这些高相关性的数据点,该研究表明,在减少数据采集时间的同时,能够保持SOH和容量预测的高准确度。为了解决传统测试开销和递归预测误差的局限性,近期的方法整合了相位优化的多性向扰动信号,将阻抗和非线性获取速度提升了90%以上,同时将GRU与误差补偿支持向量回归(SVR)相结合,以防止多步退化跟踪过程中的误差漂移[28,29].
将EIS数据拟合到等效电路模型(ECM)中,提供了一种将光谱特征映射到电池动力学过程的方法[30]。研究表明,与其他表征方法相比,EIS具有多项优势:它能够获取动力学参数,具有无损性,并且适用于电池状态的原位或工作状态监测[31]. 已提出一系列等效电路模型(ECM)来表征锂离子电池(LIBs)的电学行为,通常通过添加电阻-电容(RC)支路来提高模型的复杂性[32,33]。1RC模型由欧姆电阻和一个并联RC支路组成,捕捉瞬时电压降和一个主导的瞬态极化过程。2RC模型增加了一个具有不同时间常数的第二个RC支路,能够表示在不同时间尺度上发生的多个动态过程,而高阶ECM可以包含额外的RC支路以获得更大的建模灵活性[32,33在基于EIS的ECM拟合中,通过估算这些分支的电阻和电容,使模型预测的阻抗在所研究的频率范围内与实测阻抗匹配。增加RC分支的数量可以改善对复杂电化学动力学的表征,但也会增加参数数量和过拟合风险。因此,ECM阶数的选择涉及模型保真度、参数可辨识性和计算复杂度之间的权衡。
Ibrahim等人[34]提出了一种基于被动快速傅里叶变换(FFT)的电化学阻抗谱(EIS)框架,用于锂离子电容器(LICs)的实时SOH估算。该方法直接从运行电流和电压数据中提取ECM参数,无需外部激励,从而实现实时阻抗分析和准确的SOH预测,报告的平均绝对误差(MAE)为2.23%。在另一项研究[35],在各种实验室条件下对二次电池进行了循环测试,以研究电池退化。分析了EIS测量的时间动态,并开发了一种计算高效的机器学习模型用于SOH估计。此外,采用分数阶ECM来表征电池退化机制,从而能够分析三种主要的退化模式:容量损失(CL)、锂库存损失(LLI)和活性物质损失(LAM)。
大多数现有的基于EIS的SOH研究仅选择单一的ECM拓扑结构和测量状态(即充放电循环中的固定点,如满充或放电中点),而未系统评估哪种拓扑结构与状态的组合对退化最敏感。此外,据我们所知,只有极少数研究[36]将ECM提取的特征与基于图像的表示(如Nyquist图和DRT图)相结合,用于无监督的退化状态发现。
这一局限性具有重要意义,原因有二。首先,不同的等效电路模型(ECM)拓扑结构强调不同的电化学过程;单个RC环节主要捕捉快速的电荷转移动力学,而要解析较慢的扩散相关效应,则需要额外的RC分支或沃伯格(Warburg)元件[32]。因此,拓扑拟合参数的SOH敏感性无法保证在充放电循环的不同点上保持一致。一个在特定工作状态下拟合光谱表现良好的模型,在另一种状态下可能表现不佳,这仅仅是因为该模型最擅长表征的过程并非该状态下的主导过程。因此,在未测试这种相互作用的情况下同时固定拓扑和状态,存在风险,即选出的HF可能只是按惯例而非基于证据对退化敏感。其次,仅依赖人工挑选的电路模型无法独立验证所得到的潜在退化机制是否具有物理意义:基于图像的、与模型无关的相同阻抗数据表征(例如通过Nyquist或DRT图),为发现退化状态提供了一条互补途径,且不依赖于任何单一电路假设的正确性。
因此,本研究的目标并非仅仅通过在EIS测量中加入机器学习模型来提高SOH预测精度。相反,核心问题在于EIS的表征和测量条件如何影响健康评估器可获取的退化信息。本文从三个层面探讨了这一问题。首先,系统评估了ECM拓扑结构与测量状态之间的相互作用,以识别其拟合参数对容量退化最敏感的组合。其次,该论文并未假设退化是单一平滑的回归轨迹,而是研究了这些对退化敏感的特征是否可用于将电池老化划分为有序的潜在退化状态。第三,它测试了在使用概率回归模型估计SOH时,这种状态信息是否提供了超出ECM参数本身之外的预测信息。重要的是,该框架还与基于图像的、与模型无关的相同EIS信息表示(使用Nyquist和DRT图)进行了对比评估。这种对比并非假设更复杂的表示必然更优,而是为了确定从基于电路的表示中识别出的退化信息是否也反映在阻抗响应的独立表示中。

2. 方法

本研究提出的物理约束方法基于开放获取的EIS数据[37],这些数据源自市售的45 mAh锂离子币电池(LiCoO2/石墨)在受控温度下进行连续充放电循环。从数据集中选择了第4、6、7和8号电池,因为这些电池在整个循环寿命期间具有明显的容量衰减模式,并且在所有测量状态下都有EIS记录。在25 °C下进行30次化成循环后,这四种选定电池中的每一种都使用CC-CV协议以1C(45 mA)充电至4.2 V,并在25 °C下以2C(90 mA)放电至3.0 V;每隔一个奇数循环测量一次容量。在每个偶数循环期间,使用5 mA的激励振幅在0.02 Hz–20 kHz范围内,获取了涵盖CC-CV充放电过程的九个状态下的EIS谱图。上述九个状态(标记为I–IX)报告如下[37]: I: 充电前;II: 开始充电;III: 充电20分钟后;IV: 充电后休息前;V: 休息15分钟后;VI: 开始放电;VII: 放电10分钟后;VIII: 放电后休息前;IX: 休息15分钟后。
随着电池老化,其容量因多种内部机制而下降,这一趋势可作为电池接近寿命终点(EOL)的关键指标。在本研究中,健康状态(SOH)被采用为预测模型的输出,并可通过以下比率定义:
SOHn= QnQ0,

其中Q是电池的标称容量,而Q是电池在n次循环后的最大放电容量。0n

2.1. 等效电路模型

健康因子提取过程首先使用Python 3.12.13阻抗库将测得的EIS光谱拟合到多个等效电路模型(ECM)中,通过非线性最小二乘技术优化关键参数。对于数据集中的每个循环和状态,拟合程序获取跨频率的复阻抗数据,并确定最能重现阻抗曲线的ECM参数集,从而获得电池内部状态的一致表征。这些提取的电阻作为定量健康因子,捕捉了随着电池老化,电荷转移电阻、扩散行为以及整体阻抗增长的变化。研究了一系列模型,即1R、1RC、1RCPE、2RC、2RCPE和2RCPEW(图1)。ECM的参数公式报告于[32,33,38]. 表1总结了每种拓扑的结构和物理意义。
Batteries 12 00471 g001
图1.ECM拓扑结构示意图 [33,38]: () 1R, () 1RC和1RCPE, () 2RC和2RCPE, () 2RCPEW。c) 2RC and 2RCPE, (d) 2RCPEW.
表1。本研究中使用的ECM拓扑结构。

为了检查每个因素与SOH的相关程度,使用了皮尔逊相关系数(PCC):
PCC=∑(xi−x¯)(yi−y¯)∑(xi−x¯)2∑(yi−y¯)2,

其中xi以及yi分别代表变量x和y的第i个样本值,并且和分别代表变量x和y的样本均值。x¯y¯
如前所述,尽管给定的ECM拓扑结构原则上可以拟合任何运行状态下记录的阻抗谱,但其拟合参数的退化敏感性在不同状态下并不一定一致:每个状态都会强调不同的电化学过程(例如,在开始充放电后不久表现为电荷转移主导行为,而在静置一段时间后表现为扩散/弛豫主导行为),而给定的电路拓扑结构在捕捉这些过程时的保真度可能各不相同。因此,模型和状态是联合筛选的,而不是假设任何单一拓扑结构在不同测量状态下都会以恒定的方式运行。为了确定ECM拓扑结构和电池运行状态的哪种组合最能反映电池容量退化,计算了所有电池单元、状态和候选模型中每个拟合ECM参数与SOH之间的PCC,然后汇总并平均这些相关性,以对拓扑-状态组合进行排名。对于每种拓扑-状态组合,评估了与SOH平均绝对PCC最高的参数。为了避免后续SOH预测中可能的信息泄露,将电池单元25C08排除在基于PCC的筛选过程之外,因为它被专门保留用于预测建模阶段的独立测试。对于给定的模型拓扑m和状态s,汇总的PCC计算如下
PCC¯m,s=1Ncell×Nparams∑c=1Ncell∑p=1NparamsPCC(θc,p,m,s,SOHc),

其中θc,p,m,s表示电池c在状态s下拓扑m的参数p的拟合值,相关性是在同一电池的不同循环之间计算的。拓扑-状态组合按以下方式进行排位:,并且对于每个组,平均值最高的单个参数 |PCC¯m,sPCC跨电池的PCC被报告为该组的最佳参数。随后,根据整体平均绝对PCC对拓扑-状态组合进行排位,并选择排位最高的组合用于研究的后续阶段,即聚类和SOH估计。此外,为了评估相关性估计的不确定性,使用1000次重采样为每个电池级PCC计算了95%偏倚校正加速(BCa)自助法置信区间。对于整体拓扑-状态排位,通过对跨电池的绝对PCC值应用Fisher z变换,并使用均值的标准误差计算95%边界来估计置信区间。这些区间提供了与估计的相关强度相关的不确定性以及跨电池排位一致性的指示。

2.2. 基于隐马尔可夫模型(HMM)的聚类

在通过等效电路模型(ECM)将测得的阻抗谱转换为少量具有物理意义的参数后,随后使用HMM(将在后文详细讨论)对这些参数在连续循环中的演变进行分类,以识别潜在的退化阶段。作为对比,使用预训练的无监督视觉Transformer(ViT)将奈奎斯特图和DRT图(由EIS数据生成)转换为数值特征向量(称为嵌入),从而能够从阻抗响应的视觉演变中识别潜在的退化模式。
本研究未将容量衰减视为单一的连续回归目标,而是采用了无监督的序列聚类步骤,原因有二。首先,锂离子电池(LIB)的退化现象已有广泛报道[15,39] 经历不同的阶段(早期磨合期、近线性老化期和加速寿命终结期),这些阶段由不同的退化机制组合驱动,其相对贡献随电池寿命而变化。对ECM参数拟合单一全局回归模型,隐含地假设了HFs与SOH在整个寿命周期内存在平稳关系,如果主导机制本身发生变化,这一假设可能会失效。将循环聚类为潜在状态,为这些老化阶段提供了明确的、数据驱动的表示,而无需预先知道转换何时发生。其次,由于状态标签旨在作为下游GPR模型的辅助输入而非独立诊断,其目的是为回归器提供关于电池在老化轨迹上位置的信息。HMM非常适合这一角色,因为与静态聚类方法(例如,k-means),它明确地对观测值的时序进行了建模,并且可以被约束为单调,这与不可逆的电池老化过程相一致。
隐马尔可夫模型[40]是一种概率模型,通过假设每个观测值都可以与潜在的、未观察到的(隐藏)状态或聚类相关联,从而对序列数据进行聚类。它还模拟了数据随时间从一个状态转换到另一个状态的可能性,因此非常适合对序列观测值(如电池退化)进行聚类。因此,HMM被用作每个电池单独的时间分割方法,假设每个循环属于几个潜在状态之一,从而根据观测到的EIS衍生特征(ECM参数或Nyquist/DRT嵌入)来估计最可能的状态序列。
采用从左到右的结构,以反映电池退化随时间单向进行的假设。因此,电池只能保持当前状态或进入下一个更严重的退化状态,而不能返回之前的状态。为了强制执行这一行为,每个状态都有很高的概率保持在当前状态,而最终状态被设定为吸收状态,其自转移概率为1.0(这意味着处于该状态的电池不会转移到其他状态)。所有序列均初始化为状态0,代表退化程度最低的条件。在整个训练过程中,转移概率和初始状态概率保持固定。模型转而学习每个退化状态的特征,这些特征由观测特征的均值和协方差表示。在实际应用中,该模型将持续变化的退化轨迹转换为一系列阶段,如早期、中期老化和晚期阶段,这些阶段应被视为统计学上定义的退化区间,而非对单个物理退化机制的直接测量。
由于隐藏状态(退化簇)的数量事先未知,因此针对指定范围内(2到6)的每个候选状态数n拟合了隐马尔可夫模型(HMM)。选择该范围是为了探索所研究电池的老化行为是否能由少量不同的退化区域来描述,同时避免对老化过程进行过度分割。对于每个候选值,使用模型的对数似然值来计算贝叶斯信息准则(BIC)[41],该准则会对模型复杂度进行惩罚,以避免仅仅因为拟合效果改善而选择过多的状态:
BIC= −2∙log∙对数 + k∙logn,

其中log L是模型对数似然值,n是观测值数量,k是自由参数数量。BIC对模型复杂度进行惩罚,以避免过度拟合过多的状态。在所有候选值中使BIC最小化的状态数被选为最优模型阶数。
作为HMM输入特征的循环级特征被分为两个候选集:基于ECM的特征和基于图像的特征。根据2.1节中描述的步骤,基于ECM的特征由所选工作状态下先前选定的ECM参数组成。基于图像的特征包含使用DINOv2(一种ViT模型)从Nyquist和DRT图中提取的嵌入向量,该模型直接应用于渲染的图表图像,而非原始数值阻抗谱。随后,拓扑状态排名被用于为第一组特征集选择ECM参数,而基于DINOv2的嵌入向量则用于第二组特征集,具体说明见下文。
Nyquist图通过在整个测量频率范围内绘制阻抗的负虚部与实部来表示EIS数据,通常会产生一个或多个半圆弧,其直径和形状反映了欧姆电阻、电荷转移电阻和扩散等过程参数。另一方面,DRT图通过将阻抗响应分解为具有不同特征弛豫时间的过程贡献,从而转换阻抗响应,产生与这些过程相对应的峰值。这使得重叠的电化学过程能够根据其峰值的位置和大小被分离和识别。在本研究中,DRT图是基于Huang等人[定义的方法获得的42].
基于Zhang等人[37]的EIS数据,生成了两组图像(Nyquist和DRT),涵盖了每个电池的完整循环寿命(8148张图),并提供了阻抗随退化演变的视觉化、模型无关的编码(其中两个示例展示在图2中)。这些图像经过标准归一化预处理(调整大小、中心裁剪,随后进行通道归一化),然后通过预训练的自监督视觉Transformer DINOv2(ViT-B/14),为每张图像提取高维、固定长度的嵌入向量(长度为768)。
Batteries 12 00471 g002
图2中找到。状态V和循环39下25C04的图表:()DRT,() 奈奎斯特图。b) Nyquist plot.
DINOv2 [43] 纯粹基于图像自身的结构和一致性进行训练,规模非常庞大(超过1.4亿张精选自然图像)。这种训练范式生成的嵌入向量在与模型原始训练分布显著不同的领域中表现出良好的泛化能力。关于该模型架构的更多细节可以在 [43]。由于电池退化是逐渐发生的,阻抗响应几何形状的变化也是连续的(例如,半圆直径逐渐增大、弛豫时间峰值发生偏移),因此需要一个对细微形状和纹理变化敏感的特征提取器。ViT骨干网络基于补丁的自注意力机制非常适合捕捉这种局部的几何变化。
由于每个DINOv2嵌入都包含高维特征集,主成分分析(PCA)[44]被用于将嵌入降维至更小变量集,同时保留图像表示中的主要变化。PCA是一种降维方法,它将输入特征转换为名为主成分的新特征集。PCA通过对原始特征进行线性组合,识别出能捕捉数据中最大变化的方向。第一主成分捕捉了大部分方差,随后是其他成分,从而在保留数据主要模式的同时实现降维。这种降维是必要的,因为后续的隐马尔可夫模型(HMM)需要为每个潜在状态估计协方差矩阵,随着输入维度增加,这一过程会变得越来越困难且不稳定。为了评估下游聚类对嵌入维度的敏感性,测试了两组主成分分析(PCA):16个分量和32个分量。这一降维步骤既缓解了后续HMM的维度问题,又抑制了与退化相关的视觉变化无关的嵌入噪声。

2.3. 预测模型

随后评估了将上述HMM聚类过程获得的潜在状态标签作为概率SOH估计的辅助输入所带来的收益。为了评估HMM聚类过程衍生的退化状态特征(聚类)的附加价值,在两种特征集下采用GPR模型估计SOH:一种包含HMM衍生的状态标签,另一种则不包含。GPR是一种概率性、非参数回归方法,它通过定义函数上的分布来建模数据,而不是假设预定的函数形式。其在有限数据条件下良好的泛化能力和避免过拟合的特性,使得GPR成为一种有效且被广泛采用的技术[19,45,46]. 在本研究中,高斯过程回归(GPR)的应用从SOH点估计扩展到量化模型的预测不确定性。这种区分对于电池管理至关重要,因为带有校准不确定性范围的SOH估计可以表明模型何时对其诊断有信心,以及何时应谨慎对待其预测结果。
使用两个电池单元(25C04和25C06)的数据作为训练集。保留一个单独的单元(25C07)作为验证集,并将另一个单元(25C08)设为测试集。验证单元专门用于超参数选择(例如,通过BIC选择HMM状态数、PCA维度),而测试单元则专门用于最终的无偏性能报告,不参与任何训练。这种基于单元的划分策略确保模型在完全未见的电池单元上进行评估,相比于单个电池数据内的随机划分,能提供更真实的泛化能力评估。

2.4. 性能分析

为了评估回归性能,有一系列常用的指标,包括
  • 平均绝对误差(MAE);
  • 均方根误差(RMSE),即残差的标准差,用于描述预测误差的离散程度;
  • 平均预测区间宽度(MPIW),即95%预测区间的平均宽度,反映了模型的置信度(锐度);
  • 预测区间覆盖概率(PICP),即落在预测95%区间内的真实测试集SOH值的百分比,反映了校准可靠性。

这些指标的计算方法如下:
MAE=1n∑yi−yi^,

RMSE=1n∑(yi−yi^)2,

其中y,以及分别是输出的实际值和预测值,n是观测值的数量;iyi^
PICP=1N∑i=1NI(yi∈Li,Ui),

MPIW=1N∑i=1N(Ui−Li),

其中Li和Ui分别是第i个周期的预测区间下限(第2.5百分位数)和上限(第97.5百分位数),I()是指示函数,当其参数条件满足时取值为1,否则为0。较小的MPIW表示预测更精确,但过窄的区间可能会降低覆盖率。

3. 结果

3.1. 拓扑状态排名

基于表2中的排名结果在大多数等效电路模型(ECM)中,状态V始终被证明是提取对退化敏感的EIS特征的最具信息量的运行点。具体而言,当在状态V提取参数时,1RC、1RCPE、2RCPE和2RCPEW模型均实现了与SOH最高平均PCC。观察到两个例外情况:2RC模型在状态I表现最佳,而单参数1R模型在状态VII表现最佳,这表明最佳测量状态也取决于电路的复杂程度。总体而言,这些发现支持将状态V作为后续特征提取和SOH估计的首选运行点,因为它在大多数评估的ECM中提供了最高的退化敏感性。这一发现具有实际的操作意义:状态V是在充满电后静置15分钟后达到的,这意味着在循环过程中无法立即获得最具诊断信息量的测量数据。15分钟的休息期后,阻抗响应可能更好地反映电池内部电化学特性的持续变化。此外,电阻相关参数表现出的强相关性表明,状态V特别适合识别退化引起的电阻增加。1R和2RC配置的最佳测量状态也存在差异,突显了退化敏感性对拓扑结构的依赖性。这强调了除了ECM选择之外,测量条件的重要性。
表2。拟合ECM参数与SOH之间的绝对PCC(按模型和运行状态划分),以及每个拓扑-状态对的最佳参数。

在部署的电池管理系统(BMS)中,这意味着需要在休息期间(例如夜间充电暂停时)安排EIS数据采集。值得注意的是,整体排名最高的拓扑结构状态组合对应的是最简单的RC型模型(1RC),而非高阶模型,这表明额外的RC支路并不一定会增加退化敏感性,且紧凑的电路即可满足此目的。
所展示的结果表2中的排名结果同时,为每个ECM和运行状态识别与SOH平均相关性最强的电路参数。结果呈现出清晰的规律:电阻相关参数始终作为最具信息量的健康指标占据主导地位。对于1RC模型,在状态V和IV中,欧姆电阻(R0)被确定为最佳参数,这表明在该模型中,内阻的增加为电池退化提供了可靠的衡量标准。另一方面,对于1RCPE模型,在状态V和IX中,电荷转移电阻(R1)始终被选为信息量最大的参数,这表明当电路表示中包含恒相位元件时,能更有效地捕捉与电化学电荷转移相关的退化机制。同样,2RC模型在状态I和IX中通过R0实现了最高相关性,而更简单的1R模型在状态VII中也将R0识别为主要的退化敏感特征。总体而言,可以观察到一种与拓扑结构相关的模式:对于纯电阻-电容电路(1R、1RC、2RC),欧姆电阻(R0)始终是对退化最敏感的参数,而对于包含恒相位元件的电路(1RCPE),电荷转移电阻(R1)则成为主导因素,这表明与SOH关联最强的参数取决于ECM拓扑结构,在所测试的RC模型中,R0占据主导地位。
报告中给出的95%置信区间表2中的排名结果提供了关于估计的绝对皮尔逊相关系数(PCC)所关联不确定性的额外信息。对于1RC模型,状态V实现了最高的平均|PCC|值(0.8696),其95%置信区间为[0.55, 0.96]。同样,状态V下的1RCPE模型与SOH表现出强关联,平均|PCC|约为0.8327,置信区间为[0.63, 0.92]。这些区间支持所选ECM参数与电池SOH之间存在潜在的信息性关系,同时也表明这些关联的精确强度存在不确定性。
然而,这些区间相对较宽,并且在某些拓扑-状态组合中存在重叠。因此,尽管状态V在大多数评估的ECM中提供了最高的平均相关性,但置信区间本身并不能证明其性能在统计上优于所有其他备选状态。置信区间分析支持将状态V作为后续特征提取的首选候选方案,同时也强调了谨慎解读和进一步验证的必要性。
另一个观察结果是,尽管高阶模型在表示频率相关阻抗方面具有更大的灵活性,但结果表明,复杂性的增加并不保证拟合参数与SOH之间存在更强的相关性。值得注意的是,State V下的1RC模型实现了最高的整体灵敏度,这表明较简单的表示形式可能足以捕捉与容量衰减相关的阻抗主要变化。相比之下,高阶模型中的额外参数可能存在贡献重叠或可辨识性降低的问题。这突显了阻抗拟合精度与健康指标质量之间的区别,因为最复杂的模型并不一定对SOH估计最具信息量。

3.2. 潜在退化聚类

图3展示了基于ECM参数的HMM(即用于比较的1RC、1RCPE和2RC,其中State V固定)所恢复的退化状态轨迹,与应用于Nyquist和DRT图(每个通过PCA降维至16和32个分量)的基于图像嵌入的HMM之间的一致性,针对每个电池单元。由于HMM衍生的状态标签被用作GPR的辅助输入特征,而非独立的物理指标,轨迹估计中的标签数量仅为回归模型提供了更多可利用的信息,而表3中的结果将证实这一点;即,聚类改善了所选三个模型的平均绝对误差(MAE)和均方根误差(RMSE)。
Batteries 12 00471 g003
图3。使用不同方法对状态V中每个细胞的聚类输出:() 25C04,() 25C06,() 25C07,() 25C08.c) 25C07, (d) 25C08.
表3。包含和不包含聚类特征的基于ECM特征的GPR输出。

尽管总解析状态数不同,不同的HMM模型在每个电池寿命的约20%处识别出了一个状态边界(解释为退化阶段的近似开始),不过这种一致性的特征因电池而异。对于大多数电池,在电池循环寿命的第四个20%区间内观察到了识别出的退化状态的转变。这种转变可能表明随着电池接近其寿命终点,其退化行为发生了变化。具体而言,大多数方法在电池25C04和25C08的第29个循环、电池25C06的第159个循环以及电池25C07的第105个循环附近识别出了状态转变。尽管依赖于不同的特征提取策略,基于ECM和基于图像的表示方法都在电池寿命后期相对明确的时间点识别出了状态转变,这表明与退化相关的变化反映在整体阻抗响应中。然而,过渡锐度以及识别出的状态数量的差异表明,这两种方法捕捉到了互补的信息。

3.3. SOH估计

表3中的结果比较了使用ECM参数的GPR模型在包含和不包含HMM衍生退化状态(聚类)特征时的性能。可以看出,对于1RC模型,加入聚类标签显著提高了预测准确性,将MAE从0.043降低到0.018,RMSE从0.051降低到0.022,同时保持了几乎相同的预测区间覆盖率。此外,MPIW从0.304降至0.197,表明在不牺牲可靠性的情况下,预测更加自信。在1RCPE模型中也观察到了类似的改进,其中聚类的引入降低了MAE和RMSE,同时将覆盖概率从88.88%提高到94.44%,表明该模型校准得非常好。2RC模型也得到了相同的结果。这些结果表明,通过HMM聚类提取的退化状态信息提供了ECM参数之外的补充信息,使GPR模型能够更好地捕捉电池健康状态的非线性演化。
尽管在输入特征中加入聚类特征提高了几乎所有模型的准确性和覆盖率,但其在捕捉退化状态方面的贡献仍受ECM及其已捕获信息的影响。
……的一个重要结果表3中的结果这表明潜在状态特征并不能为SOH估计带来普遍的提升。其益处取决于底层ECM表示中已包含的信息。1RC模型观察到的提升非常显著,这表明在特定设置下,单一极化支路未能完全编码退化的时间结构,因此能从额外的状态信息中获益。1RCPE和2RC模型提升较小,表明拟合参数中包含的信息与HMM推导的状态之间存在部分重叠。这些结果表明,增加模型复杂度并非本质上有益:潜在退化信息的价值应相对于底层电化学表示的信息含量来评估。

4. 结论

本研究探讨了EIS数据的表示和测量条件如何影响用于SOH估计的退化信息,而非将模型选择视为固定的预处理步骤。研究得出了三项发现。首先,联合筛选ECM拓扑和测量状态表明,状态V(充电阶段后静置15分钟)在大多数电路拓扑中是退化敏感性最一致的工作点,其中电阻参数(R0, R1)作为高频分量占主导地位;这对BMS设计具有实际意义,因为它更倾向于在静置期间而非连续循环期间安排EIS采集。状态V的实际可用性取决于运行计划,因为该状态是在充满电后静置15分钟后测量的。本实验室数据集未报告该条件在典型车辆或固定工况循环中出现的频率,因此无法推断出全年龄可用率。在无法满足此静止条件的应用中,EIS可在其他运行状态下获取;然而,相应的拓扑-状态组合应单独评估,且其性能不应被视为等同于状态V。其次,利用基于ECM的有序单调隐状态的左向右HMM,以及基于图像的、与模型无关的相同阻抗数据表示(通过DINOv2的Nyquist/DRT嵌入),对电池循环寿命进行分段,这支持了所发现的退化状态在物理上的合理性。第三,将基于HMM推导的工况标签作为辅助GPR输入,提高了1RC、2RC和1RCPE模型在SOH预测上的准确性和区间锐度,且提升程度各异,这表明潜在工况信息的益处并非普遍适用,而是取决于给定ECM在其自身参数中已经编码了多少时间退化结构。
综上所述,这些结果表明,拓扑结构、测量状态和辅助工况信息应联合选择,并与独立表征进行交叉验证,而非按惯例假设。本研究的主要局限性在于依赖于单一电池配置(化学成分和格式)获得的结果,这限制了将已识别的拓扑-状态组合和工况边界扩展到其他电池配置的可能性。因此,未来的工作应在更大规模、多化学成分和全格式的数据集上验证该框架,并评估其在现场运行条件下车载BMS实现中的性能。

上一篇:蜂窝结构汽车动力Trojan蓄电池液冷性能分析及机器学习算法预测研究
下一篇:监测意大利北部带储能的阳台光伏系统的性能与可持续性影响