卡特蓄电池基于复合多尺度Tsallis熵算法与混合物理信息神经网络的锂离子电池健康状态估计
来源：
卡特蓄电池 发布时间：2026-03-28 08:58:42 点击： 次
引言
锂离子电池凭借高能量密度、长循环寿命、轻量化设计及低自放电率等显著优势[1][2][3]，已成为便携式电子设备、电动汽车和储能系统的首选技术方案。随着充放电循环的进行，锂离子电池内部锂背包逐渐减少，活性材料发生结构退化，进而引发老化现象。该过程不仅导致电池容量与功率输出持续衰减，还可能加剧热失控等安全问题，甚至可能扳机包括火灾和爆炸在内的严重事故。因此，精确估算健康状态（SOH）对优化电池管理系统（BMS）设计与控制具有重大意义[4][5][6]。尤其对于从电动汽车退役后进入梯次利用阶段的二次利用锂离子电池（SL-LIBs）而言，其健康状态（SOH）的精准估算不仅是确保安全可靠二次使用的前提条件，更是最大化残余价值、延长服役周期及降低系统整体风险的关键途径[7]。
目前主流的SOH估计方法大致可分为两类[8]。第一类是基于模型的方法，包括电化学模型(EMs)和等效电路模型(ECMs)。电化学模型通过建立复杂的偏微分方程[9][10]，描述电池内部物理化学过程，如离子传输和固体电解质界面膜(SEI)的形成。Chen等[11]开发了电化学-热-老化耦合模型，通过根据老化效应和内部温度变化更新模型参数，实现在不同温度和老化条件下的高精度模拟。Wu等[12]利用全频域电化学阻抗谱(EIS)数据估计电池SOH，进一步提升了电池应用的安全性、可靠性和成本效益。然而，电化学模型的复杂性限制了其实际应用，主要体现在两大挑战上：计算效率低下与参数识别难度[13]。等效电路模型(ECMs)需借助特定电气元件（如电阻器、电容器和电感器）来模拟电池内部工作状态[14][15]。Li等人[16]提出了一种新型电池建模与状态估计方法，通过将增强型分数阶模型与自适应滤波技术相结合，显著提升了健康状态(SOH)和荷电状态(SOC)估计的精度与鲁棒性。Ouyang等人[17]采用开路电压模型与分数阶模型，提出基于多线程动态优化的SOH估计方法，有效降低了估计过程中的不稳定性和计算误差。然而，由于ECMs需要进行参数识别，这增加了计算复杂度和时间成本，从而限制了其实际应用性。
另一类方法属于数据驱动型，既不深入探究电池内部的电化学机理，也不依赖等效电路模型。这类方法着重从历史运行数据中提取退化特征，并将这些特征整合到数据驱动模型中进行健康状态（SOH）估算[18]。此类方法具有建模简单、需调参数较少以及非线性处理能力强等优势，已成为当前研究的热点领域。常用的数据驱动方法包括遗传算法（GA）[19][20]、支持向量机[21][22]、高斯过程回归（GPR）[23][24]、循环神经网络（RNN）和卷积神经网络（CNN）[25][26]。例如，Zhang等[27]提出了一种基于弛豫电压的端到端SOH估算方法，该方法将充电后弛豫电压输入一维CNN网络直接估算SOH。Wang等[28]从电化学角度提取了仅依赖于电压信号的四种动态特征，并采用缩放点积注意力机制（SDPA）动态分配LSTM所有隐藏状态的权重。张等人[29]通过分析各SOC下的增量能量，开发了一种基于局部充电数据的新型SOH估计方法，采用带约简机制的双向长短期记忆网络（BiLSTM）以提高精度和鲁棒性。刘等人[30]从滤波后的增量容量（IC）曲线中提取峰值、峰面积、放电时间、电流-时间积分面积及电压稳定时间作为特征，随后输入带注意力机制的BiLSTM网络进行SOH估计。该模型进一步采用粒子群优化（PSO）算法进行优化。孙等人[31]从恒流充电阶段IC曲线的二阶导数中提取了四个特征，并将双向门控循环单元(BiGRU)与注意力机制相结合，有效捕获双向序列信息并增强对关键特征的关注。Zhang等[32]通过分析充电过程中的电压和温度，提取与SOH高度相关的特征，构建了结合KAN与LSTM网络的高效模型：KAN首先捕获序列中的关键趋势，随后LSTM对长期依赖关系进行建模。
因此，要准确估算电池健康状态(SOH)，不仅需要依赖数据驱动方法，还需结合有效的特征工程。在大多数前述研究中，针对相同工况与化学组成的电池已提出多种特征提取方法，这些方法主要聚焦于从完整充放电循环的不同阶段（如恒流充电(CC)、恒压充电(CV)和恒流放电(CD)）提取与SOH高度相关的特征。然而实际应用中，电池类型各异且极少运行于完整充放电循环。由于不同化学体系电池的退化机制存在差异，某类电池（如磷酸铁锂(LiFePO4) 可能在另一类型(如NCM)中表现出显著较低的相关性。这种特征构建方式不仅限制了模型的泛化能力，还导致了大量冗余计算成本。因此，本文提出基于CMTE算法的通用特征提取方法，该方法仅从最具代表性的局部充电区间提取与SOH相关的特征。
近年来，随着物理信息神经网络（PINNs）研究的兴起，学者们积极探索将物理定律与神经网络相融合，为电池SOH估计开辟了新途径。PINNs将物理定律嵌入损失函数，使网络在训练过程中不仅能从数据中学习统计规律，还能遵循内在物理机制，从而显著提升模型的准确性与泛化能力[33]。例如，Tian等[34]在通用微分方程（UDE）框架下重构了固体电解质界面膜（SEI）生长模型，并采用多层感知机（MLP）逼近SEI膜生长动力学，有效提升了健康状态（SOH）估算精度。Wang等[35]从经验老化与状态空间方程的角度建模了影响电池退化的属性，利用MLP捕捉电池退化动态特性，实现了稳定高效的SOH估算。Liu等[36]将物理信息神经网络原理与SEI膜形成理论相结合，提出了一种融合锂离子电池容量衰减机制的深度神经网络模型（BatteryPINN），显著提升了健康状态（SOH）估计性能。上述所有物理信息神经网络均采用多层感知器（MLP）架构。尽管取得进展，但MLP固有的结构局限性对电池SOH估计仍构成重大挑战。
- (1)
完全黑箱特性：多层感知机(MLP)的根本缺陷在于其缺乏可解释性。其内部的多层非线性变换无法为电池退化机制提供物理解释，使得模型的预测结果难以被信任或验证，阻碍了其在科学发现中的应用。
- (2)
对序列数据的固有局限性：多层感知机难以有效建模时间序列数据中的长期依赖关系。通过将时间步展平为向量，该方法破坏了数据固有的时间结构，导致难以捕捉电池老化过程中历史状态对当前状态的持续影响。
因此，仅依赖基于MLP的架构构建物理信息神经网络已无法满足电池健康状态（SOH）精确估计的需求。针对这些问题，本文提出一种结合CMTE通用特征提取与混合物理信息神经网络的SOH估计方法，其主要贡献如下：
- (1)
提出一种基于CMTE的通用特征提取方法，用于从部分充电区间数据中提取高质量且高度相关的健康特征。该方法主要从电流和电压数据中提取多尺度特征，同时整合其他统计特性，包括平均容量、平均差分电压、瞬时功率峰度以及时间方差，以增强所提取特征的全面性与有效性。
- (2)
提出了一种混合物理信息神经网络，该网络由两个分支构成。第一分支采用并行KAN-LSTM架构，其中KAN负责捕捉电池容量退化的非线性全局趋势，而LSTM专注于学习局部时间步之间的动态变化与长期依赖关系。通过引入缩放因子实现两者互补优势的最优平衡，从而提升健康状态（SOH）估计精度。第二分支采用KAN模拟电池退化动力学，其输出作为训练过程中的物理约束条件，确保整个网络遵循底层物理规律。
- (3)
通过采用XJTU、TJU、MIT和HUST数据集进行综合评估，以验证所提方法的准确性和泛化能力。
