来源：快猛电池 发布日期：2026-06-23 20:57:21

锂离子电池（LIBs）因其高能量/功率密度、长寿数和无污染等长处，被广泛运用于电动汽车（EVs）和储能系统（ESSs）中[1]。但是，因为LIBs的电功能会随运用时间和老化而退化，它们在实践运用中仍面对巨大困难，例如在电化学ESSs中，LIBs的老化会直接影响电网安全。LIBs需求满意储能运用中不同的电压和功率需求，但其退化程度激烈依赖于其运转工况和内部退化进程（即退化形式）[2,3]，尤其是从EVs中淘汰的电池会被用于梯次运用场景。LIBs运用的寿数终点（EOL）一般界说为健康状况（SOH）低于80%，一旦低于该阈值，或许会产生功能快速衰减乃至热失控[4]。因此，SOH退化猜测有助于提早洞悉剩下运用寿数，从而有用减少经济丢失并下降安全危险。
现有的SOH猜测办法可分为根据模型的办法和数据驱动的办法。根据模型的办法运用电池物理模型（例如，physics-based models、empirical models [5]和electrochemical models [6]）经过模型参数化计划来描述动态退化行为。文献[7]采用了一种physics-based model，考虑了三种主要的退化形式（即正极活性物质丢失(L A M P)、负极活性物质丢失(L A M N)以及锂离子丢失(LLI)）。这些退化形式随电池SOH的下降而演化并影响后续老化进程，类似于运转条件的影响，例如严峻的LLI或许导致电池提早产生后期的加快循环[8]。为了模仿全电池曲线，文献[9]运用了两种empirical models来猜测对应于常见退化形式的退化参数。Empirical models（例如equivalent circuit models [10]）一般与滤波算法（如Kalman filters和particle filters）结合运用以更新参数[11]。因为电池之间存在不一致性，empirical models结构较为简单且适应性较差。Electrochemical models将pseudo-two-dimensional (P2D)或single-particle (SP)模型与特定的老化机制模型相结合来模仿电池SOH，但其运用受限于对老化机制认知的不足以及规划特定形式材料参数的困难。
数据驱动办法直接从前史数据生成SOH猜测模型，主要包含三种办法。第一种办法是将问题转化为时间序列猜测计划，例如高斯进程回归、循环神经网络（RNN）[12]和transformer [13]，经过迭代猜测来外推前史SOH。文献[14]运用未来电流计划和容量-电压数据开发了一个根据RNN的深度学习结构，但迭代猜测在差错累积下不安稳，影响了长时间退化猜测的功能。第二种办法是经过首先估量若干要害节点[15]来重构SOH轨道。文献[16]规划了一种卷积神经网络（CNN）模型，用于输出电池容量的双线性方程参数。为了简化参数，文献[17]仅估量四个节点的SOH，然后经过插值重构轨道。要害节点估量的精确性对该重构办法至关重要，不然或许导致较大的SOH猜测差错。第三种办法提出序列到序列（seq2seq）猜测，它无需递归和重构即可直接猜测未来的退化轨道，但需求很多电池进行模型练习。为了整合前史和未来信息，文献[18]开发了一种根据注意力机制的多源seq2seq模型，由两个编码器和一个解码器组成。根据“一次性”长短期记忆网络（LSTM）的seq2seq结构……
关于根据数据驱动的SOH退化猜测，建模功能高度依赖于特征提取。在文献[[18], [19], [20]]中，SOH序列是用于猜测未来SOH退化轨道的特征。但是，在实践运用中，测试电池的前史SOH序列十分难以获取或存在不精确的情况。为了克服这一缺点，文献[21]提取了电池充电数据的计算特征（例如总和、均值和规范差值）作为seq2seq模型的输入。近年来，深度学习技能（如1-D CNN [22]和autoencoder神经网络[23]）已被用于从原始测量信号中提取深层代表性特征。考虑到因为电池不一致性导致的退化轨道差异，文献[24]根据迁移学习（TL）和CNN进行了长时间猜测。经过整合TL，文献[25]提出了一种多级特征选择战略来猜测电池退化轨道，但该TL网络是根据专家经历进行微调的。一些研讨进一步运用了来自电池模型的物理信息，例如二阶RC模型[26]和电化学模型[27]的参数。文献[28]为电池退化猜测提取了六个物理特征。文献[29]中的物理信息神经网络运用物理束缚来解码各种物理现象（如电化学反应和扩散进程）之间的复杂动态联系以改善
虽然上述工作为SOH退化猜测问题提供了见解，但考虑到以下应战，它们在ESSs中的运用或许会受到限制。
第一个应战在于，现有办法一般针对充放电电流相对安稳的固定运转工况进行猜测，难以运用于在多变运转工况下电流水平存在大幅度且频频动摇的ESS中。在ESS中，当接纳到来自电网控制中心的调理指令时，电池会以动态电流运转，例如在不同功率水平下进行多阶段充放电[2,3]。在这种情况下，特征提取关于ESS中的电池或许会失效，原因如下：1）多变功率需求下的动态电流会导致电压散布不安稳，即呈现明显的电压散布差异；2）在固定运转工况下提取的特征与SOH退化之间的映射联系或许无法推广至其他工况。这些因素将明显影响SOH猜测的精确性。尽管文献[31]提出了一种运用插值法从容量-电压（Q−V）曲线中提取通用特征的办法，但因为明显的电压散布差异，该办法在多变且复杂的ESS场景中仍然很难实现。
第二个应战在于，现有研讨未能有用处理输入数据有限情况下的长时间退化轨道猜测问题。ESS的电池一般具有较长的循环寿数，例如典型的LFP电池[32]。因为在早期阶段可用于练习的输入数据十分有限，因此长时间轨道猜测极具应战性。虽然已有研讨采用了递归猜测办法（例如Ref.[33]中说到的迭代练习），但这些办法存在差错累积的问题，会导致猜测曲线呈现平坦效应（即要么趋于平缓，要么急剧下降），从而形成猜测精度的丢失。
为了应对变工况及长时间运转下SOH退化猜测面对的上述应战，本文提出了一种根据电压重构与MTL-RL的电池退化猜测办法。该办法在MTL-RL结构内集成了特征提取与外推功能，并专门针对ESS中电流水平变化导致的大幅电压散布差异规划了充电电压重构计划。根据重构电压提取出包含物理特征和计算特征的多特点特搜集。与传统机器学习模型相比，带有特征外推功能的MTL-RL结构经过递归猜测特征与SOH退化并结合长时间正则化，缓解了长时间猜测中的差错累积问题。经过在ESS变工况下进行多特点特征提取提升了所提办法的精度，同时运用MTL-RL结构内的特征外推技能在长时间猜测中提高了模型的安稳性并下降了复杂度。

•  
•  
•  

主要奉献包含三个方面。(1) 为处理ESSs在多变工况下特征提取的应战，提出了一种根据内阻补偿的高效充电电压重构办法。该办法能够获取小速率且安稳的电压，并处理ESSs多变工况下电压散布差异大的问题。根据重构电压，从机理模型和Q−V曲线中提取多特点特征，经过考虑实践ESS运用中的多个要害因素来提高猜测精度。(2) 提出一种MTL-RL结构，经过递归特征外推增强有限输入数据下的长时间猜测功能。该结构下降了对输入数据的需求，并提高了长时间猜测的安稳性。长时间正则化克服了现有办法的局限性，即这些办法一般存在由递归外推引起的差错累积问题。(3) 所提办法提供了多变工况下精确的SOH退化长时间猜测，并经过模仿ESSs削峰填谷充放电战略的电池老化试验数据进行了验证。即便仅运用总数据的5%，在多变工况下长时间猜测仍然精确安稳，均方根差错(RMSE)和均匀绝对差错(MAE)均低于1.5% a