产品推荐

火箭蓄电池UXL(LH)系列2V
  火箭蓄电池UXL(LH)系列2V电池2V200AH  产品: 火箭蓄电池UXL(LH)...【详细】
火箭蓄电池GB系列
它由特殊的钙合金组成,以保持强大的启动性能。 防止在高温下电池寿命...【详细】

联系我们

服务热线
13240167779

地址:北京市大兴区魏永路2号
网址:www.jltvip.cn

短时因果观测、未知电池、工况偏移及嵌入式部署下的电池健康状态估计

发布者:火箭蓄电池 发布时间:2026-11-19 15:00:55 阅读:次

摘要

基于短测量窗口的健康状态(SOH)估计可以减少对完整充放电周期的依赖,但其可靠性需要在未见过的电池、工况变化和嵌入式硬件上进行评估。本研究利用NASA电池数据,评估了基于10秒标称重采样电压、电流和温度窗口的SOH估计。该窗口包含中位数为1个原始测量值,且约90.9%的网格位置经过了插值处理。10秒时长代表输入宽度;实际从开始到决策的时间为15秒+δ(中位数为21秒)。812秒;第95百分位数:29.016秒)。通过对34个电池单元进行严格的留一电池验证,并使用无自适应条件留出集,比较了两个随机森林(RF)模型。RF20x7的电池宏观平均绝对误差为7.096个百分点,而RF150为7.202个百分点。配对差异(-0.106个百分点;95%置信区间:-0.478至+0.275)未证明其优越性,且未进行等效性检验。在温度系列留出集中,RF20x7达到13.990个百分点,比匹配的31个电池单元参考值高出6.997个百分点。在ESP32-C6上,平均RF推理需要62.302微秒,而特征提取和推理在预重采样输入上需要584.141微秒。这些结果支持了后重采样的计算可行性,但也突显了在未见条件下的准确度下降。
关键词:
电池健康状态; 锂离子电池; SOH估计; 随机森林; 跨电池泛化; 工况偏移; 嵌入式机器学习; ESP32-C6

 


图文摘要

1. 引言

锂离子电池因其高能量密度、长循环寿命和良好的电化学特性,被广泛应用于储能和便携式设备中。随着老化、反复充放电循环以及工作条件的改变,其性能会逐渐退化。因此,可靠地估计电池健康状态(SOH)对于维护规划、老化评估和剩余使用寿命估计至关重要。
本研究使用公开的NASA电池数据集,该数据集包含在不同运行条件下进行的锂离子电池老化实验[1]。该数据集提供了暴露于不同温度和负载条件下的多个电池的测量数据,使其不仅适用于评估预测误差,还适用于评估对未见电池的泛化能力以及跨操作条件变化的迁移能力。目标不局限于获得低SOH估算误差。本研究探讨了当测试电池或操作条件在训练期间未被代表时,基于短期因果观测得出的估算值是否仍然可靠,以及生成的模型是否可以在资源受限的嵌入式平台上运行。
以往的SOH研究已分别解决其中一些挑战,包括基于短期或部分测量值的估计、跨电池泛化、多变条件下的运行以及在嵌入式硬件上的实现。然而,仅凭预测准确性无法完全描述SOH估计器的实际表现。在评估旨在实际部署的方法时,观察时长、对未知电池的泛化能力、对运行条件变化的敏感性以及在嵌入式硬件上的计算可行性同样至关重要。

2. 相关工作

锂离子电池健康状态(SOH)估计的研究日益聚焦于短时间或部分测量窗口,以减少对完整充放电循环的依赖。Ezemobi等人利用从40秒缓冲期提取的基于电压、SOC和SOE的特征进行了SOH分类。该模型在动态、恒定和阶跃负载工况下进行了评估,并在另一块规格相似的电池上进行了测试[2]. Fan和Zhang仅使用10秒的弛豫电压数据估算了电池容量。在他们的研究中,使用了20个电池单元进行模型训练,8个电池单元用于验证。然而,RPT数据是在24°C下采集的,且弛豫测量是在100% SOC状态下获得的[3].
表1总结了本节所综述的代表性电池SOH研究的观测要求和验证协议。
表1。代表性电池SOH研究在观测要求、未见电池评估、运行条件评估和嵌入式验证方面的比较。

Giazitzis等人基于TinyML,利用1900秒的充电窗口进行了SOH估计,模型仅使用ICA或结合电压信息。前五个电池用于训练,第六个电池保留用于测试[7]。Jelovic等人使用了来自不同SOC区域的部分充电片段,而非完整的充电循环,并利用适当正交分解将增量容量曲线转换为低维特征。数据在电池层面进行划分,30%的电池完全保留用于测试[10]。同样,Giazitzis等人单独使用ICA,或将其与3.6–3.9 V范围内变长部分充电数据的电压相结合。在最初六个电池上训练的模型在未见过的第七个电池上进行了评估[11].
电池分离验证方案也被用于评估跨电池组的泛化能力。Crocioni等人从每个选定的NASA电池组中预留了一个电池作为独立测试集的一部分,确保训练和测试电池组不同[4]。Chen等人使用源域电池组进行训练,使用目标域电池组进行测试,评估了一种无需将目标域数据纳入训练过程的领域泛化方法[6]。Bayat对四节NASA电池应用了留一电池法(LOBO)验证,在每种情况下都完全不使用一节电池进行测试[8]。Wang等人遵循了不同的方案,其中一节电池被用作历史参考,随后选定的超参数配置被固定下来,用于在其他测试电池上进行评估,而不再进行超参数调优[9].
。SOH估计中的泛化能力不仅受电池间差异的影响,还受运行条件变化的影响。Liu等人研究了在不同动态放电条件和10–40 °C温度范围内生成的健康指标,并在训练中未包含的DST和恒流条件下评估了模型。一个以30 °C下的Cell04为参考的模型,也在未见过的30 °C和40 °C下的Cell03上进行了评估[5]。Chen等人将不同实验条件下测试的电池视为独立的领域,并在未包含在训练中的目标领域上进行SOH估计[6]。Jelovic等人将基于参考测试训练的模型应用于从动态读档循环中提取的恒流充电段。尽管评估包含了相对于训练条件的预处理和温度差异,但作者指出验证仅限于20–30 °C的范围[10].
对资源受限硬件的适用性也得到了研究。Crocioni等人使用STM32Cube.AI(5.0.0版本)将预训练神经网络转换为ANSI C代码,并在STWIN平台的ARM Cortex-M4微控制器上进行了验证[4]。Ezemobi等人使用处理器在环(PIL)设置在德州仪器F28379D上测试了他们的分类器[2]。Giazitzis等人将他们的模型部署在PSoC 6目标设备上,并比较了桌面端和目标端的结果[7]。Wang等人对TI Cortex-M4平台进行了硬件在环(HIL)验证[9]。相比之下,尽管Giazitzis等人2026年的研究中的模型被转换成了适用于微控制器部署的C代码,但单电池SOH评估是在离线状态下进行的,且延迟是在GPU上测量的[11].
相关的预测性维护研究也探讨了使用不同组件和测量方法进行退化监测。Sun等人(2023年)研究了铝电解电容器的剩余使用寿命预测,采用了一种结合GRU和PSO-SVR的混合机器学习框架[12]. Fan等人(2025)通过优化的多性向扰动方法研究了锂离子电池的阻抗和非线性响应[13]。这些研究为退化诊断提供了互补的视角,但在测量要求、预测目标或评估组件方面与本研究有所不同。因此,它们的结果无法直接与基于短放电V/I/T观测的SOH估计进行比较。
所综述的文献涉及短时或部分测量、对未见电池的泛化能力、不同操作条件下的评估,以及在不同范围和组合中嵌入式硬件上的实现。在本文综述的研究中,我们未发现一个同时结合了10秒标称因果V/I/T观测窗口、跨34个电池的严格LOBO验证、匹配参考的无适配操作条件留出测试,以及在物理微控制器上实测目标执行的评估框架。这项工作的贡献在于,在一个统一的评估框架内对这四个维度进行评估,而不是将短观察窗口、LOBO验证、运行条件泛化或MCU部署单独作为创新贡献提出。

3. 数据集与问题定义

本研究采用来自NASA预测卓越中心(PCoE)的锂离子电池老化数据。NASA PCoE电池数据集包含在不同温度、读档曲线和实验条件下收集的充电、放电及阻抗测量数据[1]。分析的背包包含来自34个物理电池的2794个放电循环。在完成目标有效性评估和数据质量筛选后,这些循环被划分为三个互斥的组别。
主要评估队列(A级)包含2521个放电循环,这些循环具有符合所采用质量标准的有效基于容量的SOH目标。另外229个循环(B级)保留了数值容量目标,但因触发了一个或多个数据质量标志而被排除在主要分析之外。剩余的44个循环(C级)未提供可用的监督目标。A级用于主要的跨电池和工况泛化实验。B级仅保留用于单独的敏感性分析,以检查基于质量的排除对结果的影响,而C级则被排除在监督建模之外。电池级队列组成、工况分组和记录的放电截止设置汇总在表2.
表2。电池级队列构成、实验组、记录的放电截止电压以及主要评估队列的SOH范围。

在模型评估前进行了循环级数据质量筛选。带有结构质量标记、缺失放电容量或放电容量为负值的循环被归入C级。对于剩余循环,筛选标记应用于容量值低于0.5 Ah或高于2.2 Ah、最低电压值低于记录放电截止电压0.5 V以上、最高电压值高于4.3 V以及温度值超出0–80 °C宽泛范围的情况。局部容量偏差也通过识别低于五循环滚动中值0.30 Ah以上的值来进行筛选。
未包含这些筛选标志的循环被分配到A级,而具有有效数值容量目标但至少包含一个筛选标志的循环则被分配到B级。该程序产生了2521个主要评估循环、229个灵敏度分析循环,以及44个被排除在监督建模之外的循环。在B级中,208个循环因容量低于0.5 Ah被标记,4个因容量高于2.2 Ah被标记,16个因局部容量掉落被标记,12个因电压值大幅低于记录的截止值被标记,7个因电压值高于4.3 V被标记。这些标志计数不可累加,因为单个循环可能满足多个标准。
筛选阈值用于识别潜在的问题观测值,而非确定每个被标记的测量值都是错误的。被标注为潜在异常的实验组成员本身并不构成排除标准。筛选决策对模型性能的影响通过在敏感性分析中纳入B级循环进行了单独检验。
该问题被表述为:从放电早期获取的短时因果测量值中估计锂离子电池的健康状态(SOH),而无需完整的充放电曲线。对于每个放电循环,模型输入仅由电压、电流和温度测量值构建,而预测目标是同一循环基于容量的SOH。因此,该任务被视为循环级别的回归问题。
对于放电循环i,在观察窗口内可用的测量值表示为
Xi = {Vi(t),Ii(t),Ti(t)}.
特征提取函数将这些测量值转换为特征向量,
φi = (X(Xi),
并且回归模型根据