CAT蓄电池迈向锂离子电池实用化最优充电：从离线优化到基于学习的实时控制
来源：
卡特蓄电池 发布时间：2026-03-31 17:07:55 点击： 次
引言
锂离子电池已在多个领域得到广泛应用，尤其在电气化程度不断提升的交通运输行业[1]。随着其大规模部署，学界围绕电池状态估计[2]、故障诊断与预测[3]以及健康感知的能量管理策略[4]等方面开展了大量研究，其核心目标在于保障系统安全高效运行。
在这些研究方向中，最优充电控制已成为尤为关键的课题，因为放电过程需遵循读档需求，而充电过程具有可控性[5]。这一差异使得人们能够针对特定目标（如提升能效、降低温升或延长电池寿命）设计多种优化充电曲线[6]。
目前，恒流-恒压（CC-CV）曲线是应用最广泛的电池充电方案，因其无需建模的特性便于直接实施[6]。在恒流阶段，电池以恒定电流充电直至端电压达到设定限值；在随后的恒压阶段，维持电压恒定同时电流逐渐衰减，当电流低于预设阈值时终止充电[7]。
尽管多级恒流充电[8]与多级恒压充电[9]的扩展方案已被开发用于提升充电性能，但基于恒流-恒压的充电策略仍以开环方式实施，无法系统地将离线优化的充电轨迹转化为实用的在线控制。这些局限性促使研究人员开发超越恒流-恒压框架的新型充电方法，其核心在于面向控制与基于优化的策略设计。
电池充电优化最初通过离线研究来探索性能极限与退化交易[10]。例如，已有研究将电池充电构建为约束最优控制问题，并采用非线性规划（NLP）进行求解，以明确考虑退化相关目标[11]。针对强非线性和老化效应，遗传算法（GA）等启发式方法被用于逼近最优充电曲线并推导全年龄电压或电流协议[12]。此外，基于庞特里亚金极小值原理（PMP）的解析可解释方法也得到探索，其中大量离线模拟被用于生成可实施的查找表[13]。进一步地，动态规划（DP）被应用于获取状态依赖的多性向分阶段充电策略，该策略明确考虑了退化与热约束[14]。尽管这些离线方法在生成最优充电曲线方面卓有成效，但由于高计算成本、鲁棒性受限以及缺乏系统性闭环控制集成，它们通常难以实现实时应用。
模型预测控制（MPC）因其成熟的在线优化框架及显式处理系统限制级的能力，已在电池充电领域得到广泛研究[15]。结合状态估计的线性MPC被应用于电池充电控制，重点关注电气动态特性[7]。为更准确描述电池行为，学者们提出了包含电热动力学的非线性MPC模型[16]。此外，随机MPC方法被用于在电池模型参数不确定情况下确保安全约束[17]。基于MPC的健康感知充电策略也相继提出，通过限制级机制显式考虑充电过程中的电池退化问题[18]。尽管取得这些进展，由于在线计算负担较重（尤其在需要长预测时域以获得良好性能时），MPC充电控制在实践中仍面临挑战。
除经典优化与模型预测控制框架外，电池充电控制领域的研究仍较为有限。最传统的方法为基于物理约束触发的PID控制（Physical-constraint-triggered PID control），当温度或电压达到限值时激活控制器以维持安全运行并跟踪设定点[19]。然而基于PID的方法通常忽略电池充电过程的重复性特征，仅关注单个充放电循环，从而限制了其整体控制效能。为解决这一问题，迭代学习控制（ILC）已被应用于电池充电领域[20]，该方法采用基于模型逆变换的设计与最优学习增益，以提升重复循环中的参考轨迹跟踪性能。然而，该技术依赖简单的线性时不变模型，且未与充电曲线优化建立关联，凸显了对实用最优充电控制进行更系统化讨论的必要性。近年来，数据驱动方法作为传统基于模型框架的有力替代方案崭露头角。这些基于学习的策略旨在应对建模不确定性，并适应实际电池行为的动态变化[21]。例如，强化学习可在快速充电与电池均衡优化方面超越恒流-恒压（CC-CV）协议，但其应用受限于训练安全性及电池退化所需的终身学习要求[22]。
尽管大量研究聚焦于生成最优电池充电曲线，但针对其实时控制有效实施的研究相对较少。本研究超越充电曲线优化范畴，提出一种能够实时精确追踪优化曲线的闭环在线充电控制架构。本文的主要贡献可概括如下。
- •
本研究提出一种系统化的双层充电框架，该框架包含用于生成健康感知充电曲线的离线优化阶段，以及实现其实时控制的在线闭环控制阶段。
- •
开发了一种结合PI控制和迭代学习控制(ILC)的闭环充电控制架构，以精确跟踪优化充电曲线，并补偿非线性、时变特性以及模型-对象失配问题。
- •
ILC利用电池充电的重复性特性，通过逐次充电循环迭代提升跟踪性能，从而弥合充电曲线优化与实际实时执行之间的差距。
总体而言，这种系统的离线-在线集成方法为实施最优充电曲线提供了一套全年龄适用方法论。该框架可作为未来高级电池监测研究的基础，整合来自离线优化和在线控制过程的双重信息。
