Batteries & Supercaps：基于机器学习和机-电特征的锂离子电池健康状态估计

锂离子电池能量密度高、无记忆效应、自放电率低，广泛应用于大规模储能电站和新能源汽车领域。健康状态（state of health, SOH）作为表征锂离子电池寿命的关键参数之一，其精准的预测在提高用户使用体验、缓解续航焦虑方面具有极其重要的意义。因此，对锂离子电池SOH的精确估算是十分必要的。现有的电池管理系统通常监测外部电压、电流、温度来获取电池状态，并根据这三种数据开发了相应的估算方法，并未考虑锂离子电池的膨胀特性。事实上，锂离子电池的性能在实际运行中受多种因素的干扰，机械膨胀对电池对电池寿命产生的影响不可忽视。

近日，中国科学技术大学的谈鹏教授课题组等人提出一种基于机-电特征的软包锂离子电池SOH估计方法。首先，设置不同场景下锂离子电池老化测试方案，采集并构建包括电压和应力信号在内的电池老化测试数据集。其次，分析电池老化过程中的电压和应力演变特性，进而从应力和电压曲线上提取五个关键参数作为健康特征因子，间接表征电池的老化程度。然后，通过定性观察以及定量的皮尔逊相关系数计算证明所提取的健康特征因子与电池SOH之间的关联。最后，为避免复杂的特性建模和参数识别，利用长短期记忆网络（LSTM，Long Short-Term Memory）对不同场景下运行的锂离子电池进行SOH估计。结果显示，基于机-电特征的 SOH 估计方法在所有情况下都能很好地跟踪真实值，证明了通过应力信号来补充现有的基于电压的估算方法，可以挖掘更多与电池SOH相关的敏感信息，为电池SOH的精准获取提供更广泛的选择。

论文信息

State of Health Estimation of Lithium-ion Batteries Based on Machine Learning with Mechanical-Electrical Features

Lili Gong, Zhiyuan Zhang, Xueyan Li, Kai Sun, Haosong Yang, Bin Li, Hong Ye, Xiaoyang Wang and Peng Tan*

本文第一作者为副研究员龚莉莉，通讯作者为谈鹏教授。此研究方向获得国家重点研发计划、安徽省自然科学基金等支持。

Batteries＆Supercaps

DOI: 10.1002/batt.202400201