基于健康状况的软包超快充SSB蓄电池智能充电策略，支持多目标性能前沿

2026-07-31 20:16:11

软包锂离子电池的超快充电在充电时间、温度上升和容量劣化之间存在内在权衡，随着电池健康状态（SOH）的演变，这些权衡愈发明显。为应对这一多目标和SOH依赖性的挑战，本文提出了一种集成物理建模、多目标优化和实时替代学习的智能充电策略。通过循环测试和伪二维（P2D）电化学框架建立并校准电热老化耦合模型，以确定物理允许的充电边界。基于这些约束，利用非支配排序遗传算法II（NSGA-II）构建并求解了一个考虑充电速度、热安全性和长期耐久性的多目标优化问题，在25°C不同SOH条件下得到帕累托最优解集。 为实现在线应用，开发了一个具有自我注意力机制的长短期记忆（LSTM）网络，作为替代优化器，基于NSGA-II生成的帕累托前沿训练，提供快速且自适应的充电决策。比较结果表明，所提策略在充电时间、温度上升和寿命保护之间取得了有效权衡，同时显著提升了计算效率。该框架为电池电力系统中的实时超快充电管理提供了实用且可扩展的解决方案。

简介

电动汽车（EV）正在推动全球能源市场的技术和结构性革命，作为全球脱碳计划的一部分[1]。电动汽车凭借零排放和高能效的优势，正成为新一轮工业革命中的领先和里程碑产品[2]。锂离子电池作为电动汽车的核心部件，由于自身电化学特性的限制，存在充电时间较长的问题，这容易引发用户续航焦虑，严重限制电动汽车产业的发展。过高电流的充电控制会缩短电池寿命，严重时甚至可能导致火灾和爆炸等事故[3]。因此，合理的充电策略不仅能节省时间并提高充电速率，还能有效延长电池的周期寿命[4]。
现有的电池充电策略主要分为传统充电策略和优化充电策略。传统充电策略主要包括恒流恒压充电[5]、脉冲充电[6]、多级恒流充电[7]等。在传统充电策略中，目前最广泛使用的是恒流-恒定充电法。电池先以恒流充电，直到电池电压升至预设值，然后保持该电压切换为恒压充电直到充电完成。另一种常用的传统充电方法是多级恒流充电法。首先，它以低充电电流充电，经过一段时间后，以高电流充电直到达到最大允许电压。其中，Ji等[8]利用系统控制变量方法对充电电流矩阵参数进行了多维变换分析，发现CCCV可以提升充电速率。为了减少电池充电过程中的温度上升，Patnaik等人[9]提出了一种恒温恒压充电方法，能够在相同充电时间内减少充电过程中产生的总温度上升。
然而，在传统充电方式中，充电参数的选择取决于设计者的实际体验，这可能导致充电模式与电池之间的不匹配。此外，随着用户需求的持续增长，充电过程中需要考虑越来越多的优化目标。为解决上述问题，基于优化的计费策略陆续被提出。Wu 等人[10]提出了一种多级恒流充电方法，以充电时间和能量损失为优化目标。基于一阶电路的动态模型，采用了动态规划算法来优化各级的充电电流。在不影响电池容量衰减的情况下，与恒流恒压充电方式相比，所提充电方式可以有效缩短充电时间。减少能量损失;Zhang 等人[11]以充电时间和温度上升为优化目标，并利用遗传算法寻找最优充电电流轨迹。在满足合理升温条件下，与恒流恒压充电策略相比，优化充电模式的充电时间缩短了50%。Kang等[12]以充电时间和能量损失为优化目标，提出了多级恒流充电策略，适应不同重量。基于此，采用了改进的粒子群优化算法，优化各阶段的充电电流，有效缩短充电时间并降低能量损失。同样，多位学者如刘凯（13）、孙（14）和王SC（15）通过粒子群优化算法实现了充能策略的多目标优化。Diaz-Londono等人[16]基于真实工作场所充电数据，提出了针对不同车辆类型和电动汽车到达状态的分类模型，采用数据驱动的方法。该模型在优化框架内实现，以实现充电功率的协调控制和系统灵活性。此外，诸如基于城市的快速充电剂模型方法（基于信息共享的技术）[17]、强化学习[18]等，也被用于解决多阶段恒流充电策略的优化问题[19]。
许多学者在计费策略优化领域进行了广泛研究，主要聚焦于通过结合优化算法来优化多个目标。近年来，研究人员逐渐转向基于数据和学习的近似优化方法。Pozzi 等人[20]提出了一个基于模仿学习的框架，利用神经网络近似随机MPC的最优决策以解决优化问题。这些方法大多是离线策略，难以满足实时应用的需求。鉴于上述局限性，本文提出基于非支配排序遗传算法的多目标充电策略优化方法，旨在同时优化充电时间、电池温度上升和电池寿命等关键指标。为提升实用性，本研究采用深度学习开发实时充电优化模型，通过在线学习和动态调整实现智能控制。该方法不仅能有效克服传统离线策略的局限，还为计费策略的实时优化提供新的研究思路和技术路径。除了上述研究外，Liu等[21]和Yoon等[22]分别从热管理和基于物理的贝叶斯优化视角探讨了快充优化。该框架的不同之处在于将充电过程表述为一个多目标优化问题，包含时间、温度和老化效应，并支持实时SOH自适应策略生成。
本文的具体贡献如下：

• (1)
  在温度边界和锂演化边界的约束下，建立了考虑充电时间、电池温度上升和容量衰减的多目标优化问题模型。通过NSGA-II算法求解了帕累托最优解集，系统分析了不同SOH下非支配最优解集中不同充电策略的性能。
• (2)
  提出了基于长短期记忆网络和自我注意力机制的实时优化计费策略模型。NSGA-II算法生成的非支配解集被用作训练数据，用于训练和验证实时优化模型。基于显著提升计算效率的前提，实时优化模型的优化效应接近NSGA-II前沿解。