火箭蓄电池基于退化信息与分段电压信号的锂离子电池健康状态估计

发布者：火箭蓄电池发布时间：2026-05-19 22:57:38 阅读：次

准确估算锂离子电池（LIBs）的健康状态（SOH）对保障电池管理系统的安全性与可靠性具有关键作用。尽管基于数据驱动的电池SOH估算方法已取得显著进展，但在可解释性和估算精度方面仍存在局限。此外，现有许多方法在特征提取阶段仍需依赖人工干预，往往需要选取完整循环或特定区间运行数据以提取特征。针对这一问题，本文提出了一种基于复合多尺度频率累积剩余熵（CMFCre）和退化信息物理信息神经网络（DIPINN）的电池健康状态（SOH）估计新方法。首先，CMFCre是基于累积剩余熵（CRE）理论和离散傅里叶变换（DFT）开发的，能够从恒流充电数据的任意电压段中提取高质量的熵域特征。其次，本文介绍了DIPINN方法。该方法采用编码器解耦并求解非线性物理参数，同时利用固体电解质界面膜(SEI)生长机制提取电池老化信息。通过将提取的老化信息与解码器相结合，构建物理损失函数以确保模型在训练过程中遵循电池衰退的物理原理。最终，在XJTU、TJU和FU数据集上的实验验证表明，CMFCre能有效从电压片段中提取熵特征。提取的特征与电池健康状态(SOH)表现出强相关性，在所有评估数据集上的相关系数均超过0.94。此外，通过融合电池退化信息，所提出的DIPINN方法同时提升了估计精度与可解释性，实现了均方根误差(RMSE)< 1%.

关键词

锂离子电池
;
熵特征
;
健康状态
;
物理信息神经网络
;
状态估计

引言

锂离子电池（LIBs）因其卓越的能量密度、高功率效率、长循环寿命及低环境影响特性，被广泛应用于航空航天工程、电动汽车和大规模储能系统领域（Pang等，2025；Siyi Li等，2025；Rongzheng Wang等，2025）。作为复杂的电化学体系，LIBs在反复充放电循环中不可避免地会发生多种副反应，包括电解液分解、固态电解质界面膜（SEI）生长以及电极材料 degradation（Dhineshkumar等，2025；Deng等，2025）。这些副反应会逐渐降低电池性能，增加内阻并加剧热量产生，从而降低相关equipment的运行效率，在严重情况下还会增加热失控或其他安全关键故障的风险。因此，开发高效准确的电池健康状态（SOH）估算方法具有重大意义，不仅关乎性能评估与寿命预测，更对锂离子电池系统的过程安全监测及潜在故障早期预警至关重要。
现有锂离子电池健康状态（SOH）估算方法可分为两大类：基于模型的方法（Shiquan Wang等，2024；Jiabo Li等，2025）与数据驱动方法（Yan等，2025；Xinghua Liu等，2025）。基于模型方法主要包括电化学模型（EMs）（Ko等，2024；Brendel等，2025；Ruihe Li等，2025）和等效电路模型（ECMs）（Xianmin Mu等，2024；Sun等，2025；Xie等，2024；Zhao等，2025）两种主要类型。电化学模型通过描述电池内部物理化学反应机制揭示电池衰减行为（Li等，2024）。然而，这些模型通常涉及多个高度耦合的偏微分方程，具有复杂参数和高计算成本，这限制了它们的实际应用。等效电路模型（ECM）将电池转化为由电压源、电阻器、电容器和电感器等元件组成的电气系统（Hu等人，2025）。通过模拟电池工作时的电化学行为，ECM可提取关键参数（如内阻、电容和循环次数），并采用适当算法估算健康状态（SOH）。尽管等效电路模型在理论上具有较高的估算精度，但其实际性能很大程度上取决于模型的准确性，且易受环境变化和噪声干扰。因此，该模型通常仅适用于实验室或其他受控环境。
数据驱动方法无需对电池进行建模或分析其内部电化学反应机制。相反，机器学习（ML）算法被用于从大规模电池数据中提取特征，并建立与电池健康状态（SOH）的映射关系（Dong et al., 2023；Renkui Chen et al., 2025；Zhou et al., 2024）。这类方法具有较高的估计精度，正逐渐成为SOH估计的主流方法。例如，Fu等学者提出了一种融合增量容量（IC）分析、增量斜率法和多层感知器（MLP）模型的电池SOH预测方法，实现了精确的SOH估计（Fu et al., 2024）。Chen等学者采用视觉变换器（ViT）从电流、电压和时间曲线中提取与电池SOH高度相关的特征，并建立这些特征与SOH之间的映射关系（Chen et al., 2024）。此外，物理信息学习已通过将简化降解动力学或电化学约束以附加损失项形式融入神经网络，被应用于电池健康状态(SOH)估计，以增强模型泛化能力与可解释性。Wang等研究者从选定充电段提取16类统计特征，将其输入整合了降解动力学建模与物理约束的物理信息神经网络(PINN)中实现电池SOH估计(Wang等, 2024)。Tian等通过特定充电区间获取13项健康指标，采用双分支PINN架构重构SEI生长模型（基于通用微分方程UDE），实现了电池老化轨迹的精确估计(Tian等, 2025)。
在数据驱动的健康状态(SOH)估计中，从电池数据中提取信息性特征至关重要，且会显著影响估计精度(Zhen Wang等人，2025；Kröger等人，2025；Bingyang Chen等人，2025)。然而，在实际应用中难以获取完整的电池充放电数据。因此，部分研究者致力于开发适用于有限电池数据的特征提取方法。例如，Lin等人提出了一种基于局部增量容量(IC)曲线的特征提取策略，该方法能有效从3.6-4.2V电压区间数据中提取特征。实验结果表明，所提取的健康指标与电池SOH的相关系数达到0.330-0.988(Mingqiang Lin等人，2025)。Yang等人从充电数据中获取IC曲线，并采用三次样条插值法推导出特定电压区间内的IC曲线段(Yang等人，2024)。Zhang等人提出了一种基于温度的模糊熵特征提取算法，从恒流/恒压（CCCV）充电阶段提取健康指标，并采用多任务CNN-GRU多门混合（CMMOG）框架实现精确的SOH估计（Zhang et al., 2025）。Ma等人开发了基于样本熵的多尺度特征提取与融合方法，利用基于Autoformer的多任务学习框架实现了锂离子电池SOH与RUL的联合预测（Ma et al., 2026）。
尽管数据驱动方法在电池健康状态(SOH)评估领域已取得显著进展，但仍存在若干局限性。现有基于物理信息神经网络(PINN)的SOH估计器与基于熵的特征提取方法，仍需依赖完整充电曲线或人工构建的指标。这类方法不仅耗时费力，而且限制了模型在不同充放电条件与电池类型下的适应性。为突破这些限制，本研究提出了一种融合CMFCre与DIPINN的集成式SOH估计方法。该方法设计用于仅需恒流充电数据中的任意电压片段即可实现电池SOH的精确估算。本研究的主要创新点可概括如下：

1.
提出了一种新型特征提取算法CMFCre，该算法结合离散傅里叶变换(DFT)与构型熵(CRE)理论，旨在从电压片段中提取高质量、高相关性的熵域特征。
2.
开发了基于电池退化机理的DIPINN模型，该模型通过解耦非线性物理参数并提取当前循环容量衰减信息来指导训练过程。
3.
采用XJTU、TJU和FU三组数据集验证了所提电池SOH估计方法的有效性、普适性与准确性，这些数据集涵盖不同电池类型及充放电工况。

上一篇：ROCKET蓄电池电动汽车退役方形锂离子电池结构形变与电化学性能退化的无损表征
下一篇：返回列表

产品分类

产品推荐

火箭蓄电池UXL(LH)系列2V

火箭蓄电池GB系列

联系我们

火箭蓄电池基于退化信息与分段电压信号的锂离子电池健康状态估计

关键词

引言

热点文章