CAT蓄电池基于充电后1分钟弛豫过程的电池健康状态估算：适用于任意截止电压的鲁棒方法
来源：
卡特蓄电池 发布时间：2026-04-07 09:33:22 点击： 次
引言
锂离子（Li-ion）电池已广泛应用于电动汽车（EV）、消费电子产品和固定式储能系统[1]。然而，电池在运行过程中的性能退化会严重影响其整体安全性、可靠性和使用寿命[2]。健康状态（SOH）定义为电池当前容量与初始容量的比值，是衡量电池老化的主要指标。准确的SOH估算对于有效的电池健康管理至关重要，也是电池管理系统（BMS）的核心功能[3]。然而，如何在任意非实验室工况下通过易获取信号准确推断电池健康状况，仍是当前面临的关键挑战。
锂离子电池的健康状态（SOH）估计方法可大致分为基于模型的方法和数据驱动的方法。基于模型的方法通过建立经验模型、等效电路模型（ECM）或电化学模型来描述电池老化行为[4][5]。其中，经验模型通过建立电池外部特性与内部退化之间的简单数学关系，具有计算成本低、易于实现的优势。然而这类方法普遍存在精度有限、泛化能力较差的问题，且模型开发高度依赖于大量实验数据[6][7][8]。等效电路模型采用电阻电容网络表征电池动态电压响应，在计算效率与模型精度之间取得了良好平衡，因此非常适用于电池管理系统（BMS）的在线应用[9]。然而，等效电路模型（ECM）参数仅能间接反映电池容量衰减，且其精度依赖于精确的参数辨识，同时本质上易受温度变化和电池老化影响[10][11]。相比之下，电化学模型通过模拟电池内部物理化学过程（如锂离子在电极中的扩散和电荷转移反应），能够准确表征内部状态并定位退化根源[12][13][14]。然而，电化学模型通常涉及大量难以直接测量的参数（如扩散系数和反应速率系数），且求解复杂的偏微分方程需要极高的计算复杂度，这使其难以在车载电池管理系统（BMS）中实现实时应用[15][16]。
数据驱动方法无需建立限制级基于物理的模型，而是通过大量训练数据学习可测量信号（如电压、电流和温度）与电池健康状态（SOH）之间的非线性映射关系[17]。得益于其在非线性拟合方面的强大能力，数据驱动方法已被广泛应用于电池SOH估计，但其性能本质上与信息性输入特征的设计密切相关[18]。文献[19]从完整的恒流恒压（CCCV）充电过程中提取四个特征作为高斯过程回归（GPR）模型的输入以实现电池SOH估计。文献[20][21][22]通过在恒流充电阶段固定电压窗口内的部分充电片段识别有效健康指标。文献[23][24]则结合等效电路模型（ECM）从恒压充电过程中提取特征以表征电池SOH。然而，这些特征虽然能准确表征电池SOH（健康状态），但通常是在严格控制的实验室条件下提取的，这极大限制了其在实际场景中的适用性。此外，在高C倍率运行条件下，严重的极化效应会扭曲电池响应中的物理信息，从而降低SOH估算精度，甚至可能导致模型失效[25][26]。
充电后的电压弛豫过程为电池健康状态（SOH）评估提供了实用的观测窗口，该方法既无需额外激励也不依赖严格管控。弛豫电压蕴含丰富的物理信息，为实际应用中获取稳定且易提取的健康特征提供了理想数据源[27][28][29]。Ref.文献[28]从满充（荷电状态SOC=100%）后的弛豫电压曲线中提取了三种统计特征（方差、偏度及最大值）作为容量估计的机器学习输入。Ref.[30]探究了弛豫电压、电池老化与充电截止SOC间的关联性，通过提取弛豫过程的时间间隔电压序列特征，提出双高斯过程回归框架：首层模型估算开路电压（OCV），次层模型将估算OCV与序列电压特征融合以实现容量估计。尽管该方法仅需10分钟弛豫数据，但仅适用于高荷电状态区间（SOC ≥ 90%）。文献[31]利用基于10秒弛豫电压数据训练的CNN模型实现了多种测试条件下的容量估计，但弛豫电压数据仅在24°C和100% SOC条件下采集。文献[32]通过将静息期前短期电压、电流和时间数据与基于60分钟弛豫电压拟合等效电路模型获得的参数相结合，实现了动态充放电协议下的电池健康状态估计。现有研究虽系统性地从不同充电截止SOC下的弛豫电压中提取了实用特征，但对于不同截止电压下弛豫电压演变规律的深入研究，以及这些模型更广泛适用性的综合探究仍显不足。
为跨链桥接这一研究空白，本研究提出一种基于不同充电截止电压下短期弛豫电压的SOH估算方法，其数据易于在车载系统中获取。为实现这一目标，本研究作出三项主要贡献：首先，对16个电池单元在两种温度（25℃和40℃）下进行循环实验，每个循环中将电池以恒流方式充电至不同截止电压（3.8V、4.0V和4.2V），部分实验包含恒压充电阶段，随后弛豫至伪平衡状态。其次，对收集的老化数据进行系统分析，实验结果表明随着电池性能衰减，不同截止电压下的弛豫电压均呈现下降趋势。这一现象促使我们提取基于欧氏距离（ED）的特征参数来表征电池衰减程度，该参数量化了老化电池与新鲜电池之间的弛豫电压差异。此外，通过等效电路模型（ECM）提取了不同弛豫电压下的电池物理参数，其中归一化开路电压与欧姆电阻在不同截止电压下均与电池健康状态（SOH）呈现显著相关性。最终，建立高斯过程回归（GPR）模型将提取的特征映射至电池SOH。该模型在无需恒压充电阶段的情况下实现了卓越的SOH估算精度，多数场景中估算均方根误差（RMSE）≤1.75%，而含恒压充电的对比方法RMSE≤3.08%。所有训练策略与截止电压下的总体估算RMSE为1。在不含恒压充电(CV charging)的场景下，该数值比含恒压充电场景低13%。进一步研究表明，仅基于1分钟弛豫电压数据甚至建模时未见的数据，仍能实现精确的电池健康状态(SOH)估算，在无恒压充电条件下均方根误差(RMSE)≤2.19%。这些验证结果表明，所开发方法在实际应用中极具潜力，因为现实场景中的电池（如电动汽车电池）通常以中等倍率充电至不同截止电压且无恒压阶段，且仅能采集5分钟弛豫数据（电动汽车通常在关闭5分钟后断电）。
