《Journal of Energy Storage》：Health EquiMetrics for battery assessment — A novel metric for end-of-life evaluation beyond state-of-health
编辑推荐：
锂离子电池健康评估方法创新研究。提出Health EquiMetrics（HEM）新指标，通过标准化EOD时间实现电池性能一致性评估，突破传统SOH依赖单一容量参数的局限性。基于图卷积神经网络构建的HEM估算模型仅需部分放电电压数据，在90组公开数据测试中显示：长程电池寿命提升4.6%，短程电池过度使用风险降低，验证了HEM在电池全生命周期管理中的适用性。
Kate Qi Zhou|Yan Qin|Arnab Bhattacharjee|Wayes Tushar|Alex Chia Chuan Chong|Chau Yuen
数字供应链，新加坡理工学院，1 Punggol Coast Road，828608，新加坡
摘要
准确评估锂离子电池（LiB）的健康状况对于优化电池供电系统的性能和实现二次利用应用至关重要。目前，电池健康状况的预测主要依赖于健康状态（SOH）指标，该指标与单个电池的容量指标和放电特性密切相关。然而，这种依赖性限制了比较分析，并可能导致关于电池健康状况和寿命的结论不完整或具有误导性，从而可能影响它们在各种应用中的适用性。为了克服这一限制，我们引入了Health EquiMetrics（HEM）这一指标，它根据预定义的放电条件将电池健康状况与标准化的全放电（EOD）时间进行对比。这种方法能够一致地评估电池性能和使用寿命（EOL）。首先，通过统计方法选择基准电池及其在指定放电参数下的EOD时间来建立HEM。然后，我们开发了一个基于图卷积网络（GCN）的HEM估算模型，以将该模型应用于目标电池。该模型仅需要部分放电电压段数据作为输入，从而便于高效地进行健康监测和剩余寿命估算。使用来自一个广泛认可的公共数据集的90块电池，我们的结果表明，在HEM框架下，长续航电池的寿命延长了高达4.6%，而短续航电池则避免了过度延长寿命的风险，相比之下，使用SOH方法则无法实现这一点。这验证了HEM作为准确评估健康状况的一致性指标的有效性，有助于防止电池过早退役或过度使用。
引言
锂离子电池（LiBs）由于其高能量密度、快速响应、灵活性和短制造时间等关键特性，对于为电池驱动设备和能量存储提供动力至关重要[1]，[2]。随着对电子设备、电动汽车和可再生能源存储的需求不断增长，LiBs在支持这些技术方面的重要性变得更加突出[3]，[4]。然而，由于内部电化学过程，LiBs会随时间退化，因此实时健康监测变得越来越重要[5]，[6]。早期检测电池健康状况的下降可以及时跟踪性能，并有助于有效管理LiBs的处置和回收[7]，[8]。
健康状态（SOH）被广泛用作评估锂离子电池（LiBs）退化状况的关键指标[9]，[10]。它通常定义为电池当前最大容量与其初始时的标称容量之比[11]，或者说是当前内阻与其初始值之比。尽管容量和内阻可以在受控环境中直接测量，但由于需要耗时的测试和特定的操作条件，这些测量方法不适用于在线应用[12]。因此，最近的研究集中在开发可以从容易获取的数据中推导出健康指标（HIs），以数据驱动的方式估算SOH[13]，[14]。在这方面，Li等人[15]从偏微分热伏安曲线中提取了健康指标，确定第二个峰值作为SOH估算的可靠指标。Bockrath等人[16]研究了四个放电电压段作为潜在的健康指标，并使用时间卷积网络来估算SOH。Chen等人[17]从恒压充电曲线中推导出HIs，并结合一维卷积神经网络和迁移学习来提高SOH估算的准确性。同样，Zhang等人[18]应用斯皮尔曼相关性分析选择了最佳健康指标，并提出了基于CNN和多门控循环单元的多任务学习框架。Piao等人[19]从不同恒压区间内的增量容量曲线中提取HIs，并使用支持向量回归和反向传播神经网络估算SOH。Qin等人[20]提出了一个时间注意力SOH估算模型，该模型通过能量差异感知的循环同步结合了部分放电数据。Hammou等人[21]使用三阶多项式模型设计了SOH估算器，其中在部分放电过程中获得的能量特征和不同放电深度下的数据作为HIs。Wang等人[22]专注于充电截止电压之前的数据短段，并应用了基于物理信息的神经网络进行SOH估算。
尽管上述研究中精心选择的HIs展示了准确的SOH估算能力，但需要注意的是，SOH仍然是一个相对指标，本质上与每个单个电池的标称容量相关联。因此，它并不总能实现不同电池之间的一致或公平比较。这一限制也影响了传统的使用寿命（EOL）定义，通常在SOH下降到初始值的80%时设定[23]，因为具有相同SOH值的电池可能表现出不同的功能性能水平。作为替代方案，一些研究人员提出使用全放电（EOD）时间，即电池从满电状态放电到指定截止电压所需的时间[24]。然而，由于获取EOD数据的难度很大（这些数据高度依赖于放电曲线和外部环境因素），关于EOD估算的研究仍然相对有限。值得注意的贡献包括Sbarufatti等人[25]，他们使用结合粒子滤波器和径向基函数神经网络的混合方法预测EOD；以及Pola等人[26]，他们开发了一个基于粒子滤波的框架，利用电池使用情况的统计特征来估算充电状态并预测EOD。Biggio等人[27]引入了Dynaformer，这是一个考虑老化的EOD预测模型，通过在大规模模拟数据上训练来捕捉长期时间依赖性。Faraji-Niri等人[28]提出了一个双层马尔可夫模型，通过学习历史充放电行为来外推负载条件，从而提高了EOD预测的准确性。
尽管当前在电池健康预测方面的研究取得了进展，但仍存在一些需要彻底考虑的挑战。
- •
现有的SOH指标往往无法准确反映锂离子电池的真实健康状况。因此，具有相似SOH值的电池可能表现出显著不同的EOD特性，从而限制了当前健康评估的准确性和可靠性。
- •
普遍依赖固定的80% SOH阈值作为通用的EOL标准，未能考虑到这种变异性。具有不同能量容量和使用环境的电池可能会被过早退役或在其最佳性能窗口之外继续使用，从而导致能源利用和生命周期规划的效率低下。
- •
此外，EOD受到放电曲线的严重影响，而放电曲线取决于负载模式、环境温度和放电速率等动态因素。这些曲线在不同应用中差异很大，使得在现实世界场景中难以估算EOD。
为了解决这些问题，我们提出了一种新的电池健康标准，称为Health EquiMetrics（HEM），以克服当前SOH健康测量的局限性。整个过程如图1所示。首先，建立了一个将HEM值与相应EOD点关联的映射表，以对齐电池的放电能力。其次，使用在平稳退化期间获得的部分放电电压段形成一个图，作为连接后续放电周期的基础结构。该图既用于训练GCN估算模型，也用于整合目标电池的放电周期。第三，基于基准电池的放电电压和HEM数据开发GCN仿真模型。当获得目标电池的放电电压段时，将其连接到图中，并估算电池的HEM。随后，当HEM达到阈值时，触发EOL。我们研究的主要贡献总结如下。
- •
引入Health EquiMetrics（HEM）指标，结合Kaplan–Meier估算器进行稳健的基准推导，实现了锂离子电池的标准化和精确健康评估。
- •
基于HEM阈值建立统一的EOL标准，确保了跨电池系统的放电能力评估的可比性，并促进了生命周期管理的可持续性。
- •
实现了支持在部分放电电压段上进行预训练的灵活估算模型，能够有效适应电动汽车等实际应用中常见的不完整放电模式。
本文的结构如下：第2节介绍了在SOH和HEM下电池健康状况的比较；第3节详细介绍了所提出的方法；第4节展示了实验结果，第5节给出了结论。
节选内容
使用SOH和HEM指标比较电池健康状况
所提出的HEM能够在电池的不同单元和运行条件下在其整个使用寿命期间一致地评估电池性能。这种方法对于定义EOL特别有利。图2a展示了在所提出的HEM框架和传统的SOH方法下的EOL定义的比较。在HEM标准下，当电池的HEM值降至零以下时，电池达到EOL，对应于标准化的EOD。相比之下，基于SOH的EOL定义
基准电池选择
为了为目标电池健康状况的基准测试建立一个参考点，选择基准电池变得至关重要。为此，选择Kaplan–Meier估算器作为指定基准电池的方法。Kaplan–Meier估算器是一种非参数统计方法，用于根据观察到的事件发生时间数据估算人群的生存函数[30]。在分析时间相关结果（如生存时间、故障
结果
我们通过麻省理工学院和斯坦福大学提供的广泛使用和公开可用的数据集展示了实验结果。这些电池由A123 Systems（APR18650M1 A）制造，具有1.1Ah的标称容量和3.3V的标称电压。这些电池在48通道Arbin LBT电位计的水平圆柱形固定装置中循环测试，温度室在30°C的强制对流条件下运行。
结论
在这项研究中，我们提出了一种通过HEM评估电池健康状况的新方法。它根据预定义的放电条件，在对齐的EOD时间下建立了电池健康状况。我们通过Kaplan–Meier生存曲线分析精心选择了一个基准电池，使其与电池寿命的预定义性能标准对齐。HEM是从基准电池的标准化有效寿命中得出的，并与EOD作为基准参考点密切相关。
CRediT作者贡献声明
Kate Qi Zhou：撰写——原始草稿、软件、方法论、概念化。Yan Qin：数据整理、撰写——审阅与编辑。Arnab Bhattacharjee：验证、调查、概念化。Wayes Tushar：验证、调查。Alex Chia Chuan Chong：项目管理、资金获取、监督。Chau Yuen：监督、项目管理、资金获取、概念化、撰写——审阅与编辑。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
