SSB蓄电池锂离子电池退化的功能建模：用于提升容量预测

2026-04-18 11:17:45

锂离子（Li-ion）电池在反复充放电循环中会出现性能衰减，因此精准预测电池容量对确保系统可靠运行至关重要。现有深度学习方法多将电池衰减视为时间序列预测问题，即以循环次数作为时间变量，逐周期预测放电容量。本研究提出了一种基于函数型数据分析（FDA）的创新框架，通过将每个循环的放电电压曲线建模为连续型函数预测因子来实现容量预测。与传统依赖离散测量值或手工特征的方法不同，FDA框架充分利用完整的电压曲线，既保留了形态信息，又能捕捉细微的衰减动态特征。通过将离散测量数据转换为连续函数表示，所提出的方法能够捕捉复杂的退化模式，同时兼顾幅值和相位变化。为验证该方法的鲁棒性和普适性，我们使用公开数据集中的12组NASA电池和8组Oxford电池进行评估。结果表明，这种基于函数型数据分析（FDA）的方法在容量预测方面优于现有深度学习方法。

引言

锂离子（Li-ion）电池因其高能量密度、高单体电压和优异的能量效率，已成为应用最广泛的可充电储能系统之一，这使其在手机和笔记本电脑等便携式电子设备领域占据主导地位[1]。然而，锂离子电池也存在固有的安全风险，因为反复充放电循环会导致固体电解质界面的形成和电极结构改变，进而引发电极膨胀和电解质分解[2]。这些过程会产生导致电芯膨胀的气体，并可能触发热失控等安全隐患[3]。因此，在工业应用中，预测性维护对于保障电池管理系统（BMS）的安全可靠运行至关重要，这凸显了精确容量预测技术的必要性。
锂离子电池容量预测本质上具有挑战性，这源于容量再生现象——即在循环过程中可能出现容量部分恢复的情况[4]。传统预测方法主要基于电化学物理估算模型[5]。然而近年来，利用电池监测数据的数据驱动方法日益受到关注[6]。Ding等学者(2025)比较了支持向量回归(SVR)、多层感知机(MLP)和长短期记忆网络(LSTM)等多种模型在锂离子电池健康状态(SOH)预测中的表现，发现双向LSTM模型取得了最佳综合性能[7]。此外，多项研究采用经验模态分解(EMD)将退化模式分离为线性和非线性分量，使模型能够显式捕捉容量再生行为。例如，Cui和Chen（2022）应用经验模态分解（EMD）对退化信号进行分解，随后采用长短期记忆网络（LSTM）和支持向量回归（SVR）对各分量进行预测，从而提高了预测精度[8]。在相关研究中，Wan等（2025）开发了一种融合迁移学习、注意力机制和误差补偿模块的多通道神经网络，有效捕捉非线性再生特性并提升预测准确度[9]。另有研究利用电池充放电监测数据进行容量与健康状态估计。Zhang等(2024)利用从荷电状态(SOC)提取的增量能量特征，结合基于LSTM的模型捕捉电池充电曲线中的退化模式，从而进行健康状态(SOH)估计[10]。此外，研究还探索了特征增强集成学习方法以提升预测性能，特别是在数据有限的条件下。Li等(2026)提出了一种混合集成框架，该框架整合多尺度特征提取、特征Fusion及深度学习模型，适用于小数据集下的SOH预测[11]。多尺度建模策略也被应用于电池监测任务。Zhang等(2026)提出了一种基于电压信号的Multi-scale框架，用于检测锂离子电池组中的异常单体[12]。
尽管取得了这些进展，但许多方法仍依赖于手工制作的特征或复杂的模型架构。现有方法大多基于离散时间序列测量，可能无法完整捕捉电池性能退化的连续演化过程，或解释循环间的相位变异性。特别是，众多深度学习方法将电池退化视为时间序列预测问题——将循环次数视为时间变量，并基于跨循环的顺序观测值预测容量。虽然此类模型在序列建模方面表现优异，但并未明确利用每个循环周期内监测信号的功能性结构。实践中，电池监测数据（如放电电压曲线）本质上是随时间变化的连续曲线，这些曲线可能蕴含丰富的退化动态信息，而离散测量值或聚合特征无法完整表征这些信息。
为克服这些局限性，亟需一种能够建模电池退化连续轨迹、同时兼顾幅值与相位变化的分析框架。函数型数据分析（FDA）通过将离散的电池监测数据转化为连续的函数型表征，为此提供了解决方案。具体而言，每个循环中的放电电压曲线可表示为函数型预测变量，使模型能更有效地捕捉退化过程的结构特征。这种函数型表征使本方法能够利用完整的电压曲线预测每个循环对应的容量，从而构建信息量更丰富、可解释性更强的建模框架。
本研究提出了一种基于函数型数据分析(FDA)的锂离子电池容量预测新框架。通过将离散监测数据表示为连续函数，该方法能有效捕捉退化过程的潜在结构特征。与SVR、MLP等传统机器学习模型不同——这些模型未显式建模时间连续性——FDA将电池退化轨迹表征为平滑函数，从而提供更强的可解释性与鲁棒性。此外，尽管深度学习方法通常依赖EMD来提取非线性再生特征，但所提框架通过电压等监测变量的函数型表征，本质性地反映了此类非线性动态特性。这为复杂再生行为提供了高效且具物理解释性的建模手段。
先前的研究进一步支持了基于FDA方法的潜在优势。Ahn (2022)通过利用连续观测时间序列数据的功能结构，证实FDA能比多元数据分析(MDA)方法获得更稳健的预测性能[13]。类似地，Pfisterer等人(2019)比较了(1)纯FDA模型、(2)传统机器学习模型，以及(3)融合功能特征的机器学习模型在时间序列分类中的表现[14]。尽管纯FDA模型并非始终优于传统模型，但功能特征的整合使预测性能超越了最先进的时间序列方法。这些发现表明，捕捉数据的功能结构（而非仅对离散观测进行平滑处理）能够显著提升预测精度。
基于上述研究动机，本研究将功能线性回归(FLR)模型应用于锂离子电池容量退化数据，并将其预测性能与基于循环神经网络(RNN)的模型进行对比。通过采用公开锂离子电池数据集中的12组NASA电池与8组Oxford电池数据，我们验证了所提出的基于函数型数据分析(FDA)方法的有效性和可靠性。