SSB蓄电池提升锂离子电池健康状态解决方案：融合电化学老化表征与无迹粒子滤波

2026-03-09 16:32:40

锂离子电池（LIB）健康状态（SOH）的准确评估对于电动汽车及储能系统实现安全高效集成至关重要。本研究提出一种融合电化学老化特征与无迹粒子滤波（UPF）的电池SOH估算方法，以解决传统估算中物理机制缺失的问题。首先，采用伪二维（P2D）电化学模型及其控制方程构建电池内部物理基础。结构参数通过拆解实验确定，性能参数则通过将P2D模型与遗传算法(GA)耦合获得。利用P2D模型计算的化学计量比推导容量，构建观测方程。随后建立双指数模型作为状态方程来描述容量衰减，形成数学化的状态空间表征。最终采用UPF方法有效跟踪健康状态(SOH)退化，并对状态空间表征进行修正以实现下一轮估算。老化实验结果表明，与传统P2D模型及纯数据驱动方法（如高斯过程回归GPR和支持向量回归SVR）相比，所提出的解决方案在平均绝对误差(MAE)和均方根误差(RMSE)指标上均表现出更优的精度。

图文摘要

融合电化学老化表征与无迹粒子滤波的电池健康状态估计框架

引言

锂离子电池（LIBs）凭借其高能量密度和长循环寿命，已被广泛应用于电动汽车（EVs）和储能系统[1,2]。然而，反复充放电循环不可避免地导致电池最大可用容量的渐进衰减[3,4]。因此，健康状态（SOH）评估成为现代电池管理系统（BMS）中衡量电池性能衰退程度的关键指标[5,6]。
健康状态（SOH）通常定义为当前最大可用容量与标称（或初始）容量的比值，是评估电池老化程度与使用效能的关键指标[7]。然而，电池性能退化表现出高度非线性和时变特性，这种复杂性加之实际应用中的多种限制（例如实时实施所需的高计算强度），使得现实场景中的精确SOH估计面临重大挑战[8]。因此，研究者们已开发出多种估计技术。这些SOH估计方法主要分为三大类：实验法、基于模型的方法以及数据驱动方法[9,10]。
基于实验的方法通过直接或间接测量对老化敏感的参数（如容量、内阻或阻抗）来确定电池健康状态（SOH）。容量测试和电化学阻抗谱（EIS）等技术能够提供精确且具有物理意义的电池健康指标。针对标准EIS测量时间过长的问题，Pang等研究者[11]提出了一种简化的有效技术来评估电池SOH；该方法通过计算奈奎斯特图上过零点实部与低频转折点实部的比值来实现SOH评估。Liu等[12]系统综述了基于EIS的各种SOH估计方法，旨在阐明老化机制与SOH之间的相互作用，同时对不同估计技术的优势进行了对比分析。宁等学者[13]基于内阻（包含电荷转移与锂离子扩散因素）与健康状态(SOH)的关联性，开发了一种采用TMS320F28027微控制器单元(MCU)的快速SOH检测装置，该装置搭载了先进脉宽调制技术。实验测量方法能获取精确直接的SOH参数，实现全面细致的评估，但普遍存在耗时耗力、成本高昂且难以在实际应用中实现在线检测等问题。此外，部分实验流程需进行侵入式测试或大电流激励，这使其在安全关键系统及大规模部署场景中的应用受到限制。
基于模型的状态健康度（SOH）估算方法通过数学模型描述电池行为与老化机制。这类模型主要包括等效电路模型（ECMs）和电化学模型（EMs）[14,15]。例如，Messing等人[16]提出将分数阶阻抗建模与电化学阻抗谱（EIS）表征中的瞬态短期弛豫现象相融合，以加速SOH估算。Shen等人[17]则基于非可加性测度及计算开销与精度间的微妙平衡，构建了快速精确估算SOH的理论框架。McCarthy等[18]通过利用容量衰减与阻抗升高之间的线性相关性，开发了一种用于实时电池容量估算的精确模型。Xu等[19]构建了一个描述电池内部锂含量空间分布的简明电化学模型，阐明了由不可逆锂损失引起的容量衰减与SOH之间的关联。等效电路模型(ECMs)采用简化电路来表征电池的电学行为，其组件模拟了内部电学特性。基于Thevenin模型，Chen等[20]利用模型内阻与容量之间的本征关联构建了健康状态(SOH)估算框架。通过两项测试可提取关键参数以支持后续SOH评估。Bi等[21]针对电阻-电容(RC)电路二阶等效电路模型中的非高斯识别问题，提出遗传重采样粒子滤波算法，并进一步采用内阻参数实现电池健康状态的判定。通过将戴维南模型中的纯电容元件替换为恒相位元件(CPE)，研究者建立了分数阶模型。Ma等[22]采用自适应遗传算法辨识该分数阶模型的参数，继而运用无迹卡尔曼滤波器(UKF)预测健康状态(SOH)，以优化荷电状态(SOC)估算器的实际容量。Li等[23]提出一种线性参数时变电池模型，该模型旨在涵盖容量增量衰减与快速动态波动特征。该模型将传统线性结构与新兴非线性模型相融合，最终构建出完整的在线健康状态（SOH）评估框架。总体而言，等效电路模型（ECMs）通过捕捉关键电气特性和退化现象（通常结合先进辨识与优化技术），提供了有价值的SOH评估框架。此外，理论方法可外推至多种电池系统与运行场景，只要关键参数能准确界定，便具备高度的应用适应性。然而，基于模型的方法其精度高度依赖于输入参数及基础模型假设的准确性，若未经严格验证，可能导致显著的不确定性与误差[24]。此外，动态等效电路模型（ECMs）与经验模型（EMs）虽擅长捕捉瞬态行为，却难以准确表征长期老化特征。
随着人工智能的快速发展，数据驱动的SOH估计方法近年来受到广泛关注[25,26]。高斯过程回归（GPR）、支持向量回归（SVR）和深度神经网络等机器学习模型，通过学习测量信号与SOH之间的复杂非线性映射关系，可实现较高的估计精度[27]。Roman等人采用两种参数化算法与两种非参数化算法的混合方法，[28]开发了一套完整的机器学习流程，该流程整合了特征提取、模型选择与性能验证模块，通过分析179组不同循环工况下的电池数据实现容量衰减预测。研究表明，所设计的机器学习工作流能在多数据集间提供稳定的健康状态(SOH)估计值。Bamati等[29]采用带外生输入的非线性自回归循环神经网络构建了锂离子电池健康状态精准估计模型，该模型能有效应对特征测量值易受随机数据缺失干扰的应用场景。基于电化学阻抗谱（EIS）测试数据，Jiang等[30]识别并提取了三个关键特征：宽带EIS、模型参数和固定频率阻抗，随后利用这些特征训练高斯过程回归（GPR）模型进行健康状态（SOH）评估。Tang等[31]从二阶RC等效电路模型（ECM）中提取与老化相关的物理数据，提出了一种复杂的循环神经网络（RNN）编码器-解码器架构；该模型旨在刻画混合特征与SOH之间的关联关系。Xiong等[32]基于卷积神经网络-长短期记忆（CNN-LSTM）架构，构建了一个端到端的综合SOH评估模型；该模型的开发重点在于简化数据预处理流程，实现了数据分割、净化、同步与融合的自动化管理。数据驱动方法通常通过特征工程进行优化，并可结合不确定性量化（UQ）技术提供置信区间或概率性健康状态（SOH）估计，从而显著提升评估的可靠性[[33], [34], [35]]。这类方法因其灵活性和易实施性而极具吸引力，但其性能高度依赖于训练数据的可获得性、质量及代表性。当运行条件或退化轨迹偏离训练数据集时，预测准确性可能出现显著下降。此外，纯数据驱动模型有限的可解释性阻碍了对电池老化机制的物理认知，降低了在安全关键应用中的可信度。
与上述已有研究不同，本研究并未直接从经验特征或测量容量估算健康状态（SOH）。相反，我们提出了一种新型统一框架，该框架将P2D模型导出的化学计量比作为观测方程，与经验退化状态方程相结合，并采用无迹粒子滤波（UPF）实现闭环跟踪与不确定度量化。这种基于机理的概率方法能够在不同退化轨迹下实现精确且鲁棒的SOH估计。
主要创新点可概括如下：

• (1)
  通过将老化相关参数嵌入P2D电化学框架，建立了符合物理规律的性能退化表征方法。化学计量比的演化过程与双指数函数耦合，使模型能够以统一方式同时捕捉快速和慢速容量衰减机制。
• (2)
  本研究开发了一种基于无迹粒子滤波的估计器，用于追踪非线性和非高斯工况下的容量退化状态。与传统的高斯假设滤波器或纯数据驱动估计器不同，该方案能提供概率不确定性表征，并对运行工况变化具有更强的鲁棒性。
• (3)
  构建了一个联合模拟工作流程(COMSOL+MATLAB)，用于协同识别结构参数与动力学参数，实现电化学状态与可观测性能的一致性校准。相较于经验曲线拟合方法，该流程显著提升了外推能力。
• (4)
  通过独立电池组的广泛验证表明，当测试数据集偏离训练分布时，所提框架比高斯过程回归（GPR）和支持向量回归（SVR）具有更优的泛化能力，凸显其在实际健康状态（SOH）监测场景中的适用性。