中國儲能網(wǎng)訊：
【研究背景】傳統(tǒng)的鋰離子電池健康狀態(tài)（SOH）估計方法通常依賴于基于模型的策略或需要復雜特征工程的數(shù)據(jù)驅動技術。盡管現(xiàn)有方法已顯著提升SOH的預測精度，但在處理短時數(shù)據(jù)段、動態(tài)工況及模型可解釋性方面仍存在挑戰(zhàn)。例如，傳統(tǒng)模型難以從初始充電片段中有效提取與電池老化強相關的特征，且依賴完整充放電數(shù)據(jù)，導致實時應用受限。近期研究表明，通過微分容量分析（dQ/dV）可揭示電極材料相變過程與老化機制的關聯(lián)，但如何將其與高效深度學習模型結合仍缺乏系統(tǒng)性探索。此外，現(xiàn)有的方法，如長短期神經(jīng)網(wǎng)絡（LSTM），雖能捕捉時序依賴，但其復雜的門控結構增加了計算負擔，限制了在資源受限的電池管理系統(tǒng)（BMS）中的部署。
【工作簡介】近日，廣東工業(yè)大學施志聰教授團隊聯(lián)合英國阿爾斯特大學鄭慧如教授、沙特國王大學Abdullah N. Alodhayb教授開展了國際合作研究，團隊通過選取充電段初始數(shù)據(jù)作為深度學習神經(jīng)網(wǎng)絡特征，結合dQ/dV處理分析正負極材料的相變過程和老化信息，并采用門控循環(huán)單元（GRU）進行SOH估計。經(jīng)dQ/dV處理后，使用三個數(shù)據(jù)集的完整充電段數(shù)據(jù)進行SOH估計，估計結果的決定系數(shù)R2分別從0.79、0.47、0.83提升至0.96、0.97、0.99。以GRU替代長短期記憶網(wǎng)絡（LSTM）后，使用數(shù)據(jù)集1和2前兩分鐘數(shù)據(jù)估計結果的R2分別從0.32、0.37提升至0.93、0.80，表明GRU可顯著提高短時數(shù)據(jù)段的預測精度。該方法不僅提升了估計精度，還增強了模型可解釋性和應用潛力。相關成果發(fā)表于國際頂級期刊Journal of power source上，謝昱和羅鍇為共同第一作者，鄭慧如、Abdullah N. Alodhayb和施志聰為通訊作者。
【內(nèi)容表述】作者采用的鋰離子電池測試數(shù)據(jù)集由同濟大學提供，包含130組商用圓柱形電池的充放電數(shù)據(jù)。數(shù)據(jù)集所用電池型號為18650鋰電池。測試條件涵蓋多溫度環(huán)境（25℃、35℃、45℃）和高倍率充放電（0.5C至4C），高度模擬實際應用場景。
將130組商用圓柱形電池的充放電數(shù)據(jù)劃分為三個數(shù)據(jù)集。隨著使用時間的增加，電池的充放電行為與容量變化呈現(xiàn)出一定的規(guī)律性。圖1展示了電池老化過程中充電電壓隨容量增加的變化趨勢和容量衰減情況，三個數(shù)據(jù)集均表現(xiàn)出相同的行為特征：隨著電池老化，充電曲線向高電壓、低容量方向偏移，即在相同電壓下，老化電池的容量明顯低于循環(huán)次數(shù)較少的正常電池。所有數(shù)據(jù)集的電池容量均從100%下降至71%，且高溫環(huán)境（35℃和45℃）在一定程度上緩解了容量衰減，表明溫度是影響電池循環(huán)壽命的關鍵因素之一。
圖1 充電曲線衰減趨勢和電池容量衰減情況。（a, d）數(shù)據(jù)集1，（b, e）數(shù)據(jù)集2，（c, f）數(shù)據(jù)集3
為了增強特征數(shù)據(jù)與容量之間的相關性，必須對數(shù)據(jù)集中的充電段數(shù)據(jù)進行dQ/dV處理，以挖掘正負極活性材料的相變過程和電池運行過程中的老化信息，從而關聯(lián)老化行為的底層衰減機制，并從材料層面解釋老化原因。三個數(shù)據(jù)集的IC曲線變化如圖2a、b和c所示，所有曲線均表現(xiàn)出顯著變化，隨著循環(huán)次數(shù)的增加，曲線向高電壓和低dQ/dV方向偏移。
數(shù)據(jù)集1的電池采用NCA正極和石墨/Si負極，其中一個電池的首末圈IC曲線變化趨勢如圖2d所示。曲線峰位向右偏移，表明各相變過程對應的平臺電壓升高，同時電池內(nèi)阻略有增加。五個特征峰均隨循環(huán)衰減，其中特征峰1和2衰減最為顯著，反映了電池負極活性材料的損失，導致各相變過程的參與電量減少。在鋰嵌入/脫嵌過程中，NCA從六方晶系向單斜晶系相變區(qū)域的電壓平臺相對于Li/Li+為3.75 V，而單斜晶系向立方晶系以及立方晶系向六方晶系的相變電位分別為4.00 V和4.20 V，分別對應特征峰3、4和5。這三個峰的形態(tài)和大小發(fā)生變化，表明電池正極活性材料的損失?；谏鲜鼋Y果，電池正負極材料均存在損失，同時活性鋰離子因副反應和SEI膜生長而減少。
數(shù)據(jù)集2的電池采用NCM正極和石墨/Si負極，其中一個電池的首末圈IC曲線變化趨勢如圖2e所示。與數(shù)據(jù)集1類似，IC曲線峰位也向右偏移，表明電池內(nèi)阻略有增加。五個特征峰均隨循環(huán)衰減，但其衰減程度較數(shù)據(jù)集1更為緩和。與特征峰3、4和5相比，特征峰1和2的衰減更為明顯，表明數(shù)據(jù)集2的電池同樣存在正負極活性材料的損失，導致各相變過程的參與電量減少。此外，活性鋰離子也存在損失，但總體而言，數(shù)據(jù)集2的活性材料和活性鋰離子損失情況優(yōu)于數(shù)據(jù)集1。
數(shù)據(jù)集3的電池采用NCM+NCA混合正極和石墨負極，其中一個電池的首末圈IC曲線變化趨勢如圖2f所示。IC曲線的每個峰均顯著右移，表明各相變過程對應的平臺電壓顯著升高，反映了電池內(nèi)阻的大幅增加。四個特征峰均隨循環(huán)顯著衰減。特征峰1（3.50 V）、峰2（3.68 V）和峰3（3.96 V）分別對應石墨負極的脫鋰反應、NCM/NCA正極的嵌鋰反應以及三元材料的副反應。特征峰4由于內(nèi)阻較高，因此相應的相變過程轉移至恒壓充電階段，導致該峰從IC曲線中消失。綜上所述，電池內(nèi)阻的顯著增加、正負極活性材料的損失以及副反應和SEI膜生長導致的活性鋰離子損失共同導致了電池的容量衰減。
圖2 IC曲線整體衰減趨勢和首末圈循環(huán)衰減對比。（a, d）數(shù)據(jù)集1，（b, e）數(shù)據(jù)集2，（c, f）數(shù)據(jù)集3
在從電化學和材料角度提取數(shù)據(jù)特征后，為了從更多角度描述老化行為并降低隨機誤差的風險，從IC曲線中提取了六項特征：方差、偏度、最大值、最小值、平均值和峰度。二次特征提取后，一個電池的六項特征數(shù)據(jù)分布與容量衰減情況如圖3所示。
圖3 特征與容量衰減情況。（a）方差，（b）偏度，（c）最大值，（d）最小值，（e）平均值，（f）峰度，（g）容量。
從圖3可以看出，上述六項特征值與容量衰減高度相關，且均呈現(xiàn)出從大到小的變化趨勢。使用皮爾斯相關系數(shù)分析特征值與容量的相關性，相關性熱力圖由圖4所示。從圖4可知峰度與容量的皮爾森相關系數(shù)較低，絕對值為0.63，且在大約400次循環(huán)后呈現(xiàn)出相對明顯的上升趨勢，表明數(shù)據(jù)中的極值增加，這意味著電池循環(huán)壽命的中后期出現(xiàn)了更多的極端情況。其他五項特征值與容量的Pearson相關系數(shù)分別為0.97、0.97、0.95、0.97和0.99，證明了所提取的特征與容量衰減情況關聯(lián)度極高。
圖4 特征值與容量的Pearson相關系數(shù)
SOH估計結果從兩個角度進行分析。首先，使用相同的GRU神經(jīng)網(wǎng)絡模型對比dQ/dV處理數(shù)據(jù)與未處理數(shù)據(jù)的結果；其次，使用相同數(shù)據(jù)集對比GRU神經(jīng)網(wǎng)絡模型與LSTM神經(jīng)網(wǎng)絡模型的結果。
dQ/dV處理數(shù)據(jù)與未處理數(shù)據(jù)的對比結果如表1所示。與未處理數(shù)據(jù)相比，dQ/dV處理數(shù)據(jù)的估計誤差顯著降低。在數(shù)據(jù)集1中，完整恒流充電數(shù)據(jù)條件下，RMSE、MAE和MAPE分別從85.02、69.08和0.024降至40.72、25.39和0.0088，R2從0.76提升至0.96。為驗證方法的有效性，對前10分鐘和前2分鐘數(shù)據(jù)采用相同處理方式進行訓練對比，結果表明前10分鐘和前2分鐘數(shù)據(jù)也呈現(xiàn)相同趨勢。在數(shù)據(jù)集2和數(shù)據(jù)集3中，處理后的數(shù)據(jù)同樣表現(xiàn)出更優(yōu)性能。數(shù)據(jù)集2的RMSE、MAE和MAPE均降低50%以上，R2從0.47提升至0.97。同時，數(shù)據(jù)集3的各項指標也得到顯著優(yōu)化。這證明通過dQ/dV進行數(shù)據(jù)特征提取有助于提高鋰離子電池SOH估計精度。其原因在于，dQ/dV處理后的電壓-容量數(shù)據(jù)轉換得到的IC曲線能夠反映電池充電過程中的電壓平臺，這些平臺由相應的特征峰表示，進而推導出正負極活性材料的相變過程，并通過關聯(lián)活性材料本身的相變與衰減來估計鋰離子電池的SOH衰減。
同樣，隨著數(shù)據(jù)覆蓋時間段的增加，估計精度持續(xù)提高。前2分鐘、前10分鐘和完整充電段的MAPE最大值分別為2.5%、1.3%和0.88%。在本研究中，更多的數(shù)據(jù)覆蓋了正負極活性材料更多的相變過程。這可以為模型學習提供不同電壓下材料相變和衰減的更多信息，從而實現(xiàn)更高的估計精度。
表1 經(jīng)dQ/dV處理前后估計結果
GRU與LSTM的對比結果如表2所示。在相同數(shù)據(jù)集條件下，GRU獲得的估計結果比LSTM具有更高的準確性。具體而言，在相同時間段的數(shù)據(jù)中，GRU在各項指標上均優(yōu)于LSTM，表明GRU的預測值更接近真實值。例如，在數(shù)據(jù)集1和數(shù)據(jù)集2的前2分鐘數(shù)據(jù)中，LSTM的R2僅為0.32和0.37，而GRU的R2分別達到0.93和0.80，分別提高了約190.63%和116.22%，這表明在數(shù)據(jù)段覆蓋時間較短時，GRU的預測精度高于LSTM。
表2 GRU和LSTM模型估計結果
經(jīng)dQ/dV處理的不同數(shù)據(jù)量下的電池容量估計結果如圖5所示。隨著數(shù)據(jù)量的增加，三個數(shù)據(jù)集的真實值與預測值均較為接近。在數(shù)據(jù)集2中，前2分鐘數(shù)據(jù)量的R2相比其他兩種情況顯著降低?；谇拔膶?shù)據(jù)集的詳細分析，推測數(shù)據(jù)集2的電池衰減情況較好，因此循環(huán)前后的數(shù)據(jù)量在前2分鐘內(nèi)變化不明顯，表現(xiàn)相對一般。而通過前10分鐘甚至更長時間的數(shù)據(jù)量，電池的特征峰有足夠的時間和電壓發(fā)生更顯著的變化，從而表現(xiàn)出更好的性能。
圖5 經(jīng)dQ/dV處理的不同數(shù)據(jù)量的容量估計結果
圖6展示了結合所有特征提取方法和兩種模型的三個數(shù)據(jù)集的估計誤差結果?？傮w而言，數(shù)據(jù)集2的估計誤差波動較大。結合上述分析和圖8c中的估計結果，可以推斷數(shù)據(jù)集2中的電池衰減情況較好，估計SOH的方差較大，這使得模型訓練更加困難。因此，與數(shù)據(jù)集1和數(shù)據(jù)集3的情況相比，前2分鐘數(shù)據(jù)量的估計精度下降更為顯著。
圖6 GRU和LSTM在各數(shù)據(jù)集上的容量估計結果。（a）數(shù)據(jù)集1，（b）數(shù)據(jù)集2，（c）數(shù)據(jù)集3。
【主要結論】在本研究中，作者提出了一種數(shù)據(jù)處理方法，通過使用初始充電段數(shù)據(jù)進行dQ/dV處理，并利用六項統(tǒng)計量進行特征增量，最終采用GRU神經(jīng)網(wǎng)絡估計鋰離子電池的SOH。與放電過程相比，充電行為更加穩(wěn)定，經(jīng)過dQ/dV處理后能夠轉換為反映電池內(nèi)部材料老化行為的數(shù)據(jù)，這一結論得到了相關衰減機制的支持。隨后，從統(tǒng)計學角度進行二次特征處理，以增加數(shù)據(jù)的特征數(shù)量，從而能夠從更多角度描述老化行為，降低隨機誤差的風險。前2分鐘、前10分鐘和完整充電段數(shù)據(jù)結果的對比證明了該方法的有效性。實驗結果表明，即使處理的數(shù)據(jù)段覆蓋時間較短，使用GRU也能顯著提高預測精度。評估指標也證明了所提方法的有效性。該方法不僅提高了估計精度，還增強了可解釋性和實際應用的可能性。
【文獻詳情】Yu Xie, Kai Luo, Lihan Zheng, Huiru Zheng, Jose Santos, Abdullah N. Alodhayb, Ping Chen, Zhicong Shi，A state of health estimation method for lithium-ion batteries based on initial charging segment and Gated Recurrent Unit neural network, Journal of Power Sources, Volume 638, 2025, 236607
https://doi.org/10.1016/j.jpowsour.2025.236607.
【作者簡介】施志聰教授為廣東工業(yè)大學材料與能源學院新能源材料與器件系創(chuàng)系主任，電池研究所所長。擔任中國硅酸鹽學會固態(tài)離子學分會理事，中國化學與物理電源技術協(xié)會專家委員會委員，中國儲能與動力電池及其材料專業(yè)委員會委員。致力于鋰離子電池、鈉離子電池、固態(tài)電池的應用基礎研究，承擔國家自然科學基金聯(lián)合重點項目和面上項目、科技部國家重點研發(fā)計劃“新能源汽車”專項重點項目、廣東省科技廳產(chǎn)學研合作“新能源汽車”重大專項等項目20多項。在相關學術期刊發(fā)表學術論文150多篇，獲得授權中國發(fā)明專利27個，培養(yǎng)博士后和研究生30多人。
