一种用于快速重建锂离子电池电化学阻抗谱的新方法：从仿真到现实

电化学阻抗谱（EIS）数据驱动重建框架基于Sim2Real理论，利用等效电路模型（ECM）生成模拟数据训练掩码自编码器，仅需少量实测频率点即可快速重建完整EIS曲线，误差低于1%，效率提升84%，有效解决数据稀缺和实时监测难题。

　　

梁博辉|王雪梅|康龙云|谢迪

华南理工大学，510641，广州，中国

摘要

电化学阻抗谱（EIS）是一种广泛应用于锂离子电池电化学分析和测试的无损技术。然而，其较长的测量时间和对专用仪器的依赖限制了其在线应用。最近，数据驱动的方法提高了EIS的采集效率，但仍然难以在采集时间、真实数据量和准确性之间取得平衡，这严重限制了其实际应用潜力。为了解决这些问题，本文创新性地开发了一种基于Sim2Real理论的数据驱动EIS重建框架。该方法用大量低成本、可控的模拟数据替代了昂贵的真实EIS数据用于模型训练，并且仅使用少数测量频率点即可重建完整的EIS曲线。在锂钴氧化物（LCO）和镍钴锰（NMC）电池上的实验表明，相对误差小于1%，而测试效率相比传统的频率扫描方法提高了近84%。总体而言，我们的方法在效率、真实数据需求和重建准确性方面取得了创新性成果。这些结果突显了Sim2Real策略在快速EIS采集任务中的有效性，建立了可控模拟EIS与真实世界EIS之间的桥梁，并揭示了模拟数据在快速EIS采集任务中的可靠潜力。

引言

锂离子电池在从电动汽车到储能系统等各种应用中的广泛使用，彻底改变了行业和日常生活。然而，随着电池老化，内部退化过程（如固体电解质界面（SEI）的生长、电阻增加以及活性材料的逐渐损失）都会导致性能下降。这会导致容量减少、整体寿命缩短以及进一步的安全风险[1]。因此，随着时间的推移监测这些电池的健康状况和性能对于电池管理系统（BMS）至关重要。

电化学阻抗谱（EIS）是一种强大的无损技术，可以提供有关锂离子电池内部状态的宝贵信息。它能够分离复杂的电化学过程（如电荷转移、离子扩散和界面反应），从而捕获反映电池内部变化的信息。通过分析不同频率下的阻抗响应，EIS可以有效用于估算电池的荷电状态（SOC）、健康状态（SOH）甚至内部温度。例如，Babaeiyazdi等人[2]利用EIS特征结合线性回归和高斯过程回归模型，在广泛的温度和SOC范围内预测了电动汽车锂离子电池的SOC，误差低于3.8%。Xing等人[3]提出了一种基于EIS的迁移学习框架，将参考电池的退化知识转移到目标电池上，实现了低于2%的RMSE的SOH估算，而无需进行额外的退化实验。Hackmann等人[4]在高度动态的负载条件下对操作阻抗测量进行了循环神经网络训练，并在物理约束指导和校正模型的帮助下，估算了电池内部温度，平均平方误差约为1°C，与基于扩展卡尔曼滤波器的观测器相比表现良好。

尽管EIS具有优势，但它面临几个限制，特别是在实时应用中。其中一个主要缺点是EIS测量的时间长，尤其是在低频时。随着频率的降低，测量时间增加，这使得在线监测电池健康状况变得不切实际。此外，进行全面EIS测量所需的专用设备成本高昂，进一步限制了其在常规BMS中的使用。为了应对这些挑战，一些研究人员专注于提高采样精度和利用特定的波形激励方法，这可以显著减少EIS测量所需的测试时间。例如，Zhen等人[5]使用多正弦激励信号将测量时间减少了1/4-1/3，同时保持幅度误差小于0.5%。Wang等人[6]和Ramilli等人[7]分别使用大振幅方波和伪随机二进制序列（PRBS）作为锂离子电池的在线测试激励信号，显著提高了测量效率。其中，基于方波的方法与电源电路兼容，能够实现毫秒级的精度；然而，大振幅激励可能会引发电池非线性并降低低频区域的信噪比（SNR）。

随着机器学习技术的进步，最近的研究探索了使用神经网络模型从部分EIS段快速重建完整阻抗谱的方法。例如，Sun等人[8]证明，仅选择四个对应于“特征频率”的阻抗值（这些频率来自松弛时间分布（DRT）曲线的峰值和谷值），并使用卷积神经网络（CNN）对八个电池在整个老化周期内的2000多个EIS样本进行训练，可以在不同的锂离子电池老化条件下准确重建完整的EIS。Chang等人[9]提出了SSA-DNN方法，该方法依赖于中高频数据的60%，并使用通过Sparrow搜索算法优化的深度神经网络（DNN）重建完整的EIS曲线，预测低频阻抗值，将测量时间压缩到2.94%，适用于不同的温度和SOC条件。由于优化算法的复杂性及其对计算资源的高需求，同一团队后来引入了“阻抗片段+LSTM”方法[10]，其中通过DRT选择代表性阻抗片段，然后通过长短期记忆（LSTM）网络进行处理，并通过超参数优化来重建完整的EIS谱。尽管这些方法在减少EIS采集时间方面做出了显著贡献，但它们依赖于使用与目标电池类似的电化学系统的数千个真实EIS曲线进行训练才能实现准确的EIS重建。获取此类数据需要较长的实验周期，在实际场景中难以实现。因此，这些方法在历史数据稀缺的情境中存在一定的局限性。

为了解决这些问题，本文提出了一种基于Sim-to-Real（Sim2Real）理论的EIS重建框架。Sim2Real是一种指导在模拟环境中训练的模型或策略转移到真实世界场景中的理论。该理论首次提出于2017年[11]，并已广泛应用于自动驾驶[12]和机器人训练[13]等领域。其目标是用低成本、可控的模拟环境替代高成本、难以构建的真实世界训练环境。在Sim2Real任务中，通常使用领域随机化（DR）来丰富模拟环境，确保其尽可能覆盖真实世界场景，使模型能够更好地从模拟转移到现实世界。这些概念可以用来解决数据驱动EIS采集方法对真实数据的依赖问题，通过使用大量模拟EIS数据代替真实EIS数据进行模型训练。然而，前提是模拟EIS数据需要一个可靠的生成器。因此，本文基于松弛时间分布（DRT）分析构建了一个电池等效电路模型（ECM），并使用该模型作为模拟EIS数据的生成器，然后用它来训练掩码自动编码器（MA），最终能够从少数选定的频率点快速重建完整的EIS曲线。本文的主要贡献如下：

• 1.
  快速EIS采集的Sim2Real框架：我们首次提出了一种针对快速EIS采集任务的Sim2Real策略，从根本上克服了现有数据驱动方法所受的数据稀缺问题。我们的模型仅基于可控的模拟EIS数据进行训练，消除了对大型真实世界数据集的依赖，扩展了在历史EIS数据稀缺场景中的适用性。
• 2.
  逐步可解释的训练策略：本文提出了一种掩码自动编码器（MA）的逐步训练策略，在训练过程中充分利用了等效电路模型（ECM）的参数。这使得仅从少数特征频率点就能快速重建完整的阻抗谱，与传统频率扫描方法相比，效率提高了84%。
• 3.
  高精度EIS重建：在锂钴氧化物（LCO）和锂镍锰钴氧化物（NMC）电池上的重建实验表明，我们的方法实现了低于1%的相对误差，清楚地展示了其在重建整个EIS方面的出色准确性。

本文的其余部分组织如下。第2节介绍了所提出的方法和工作流程。第3节描述了使用的数据集和比较实验的设置。第4节讨论了实验结果。最后，第5节总结了本文。

部分片段

框架

所提出方法的整体工作流程如图1所示，将物理建模和数据驱动学习整合到一个统一的流程中。在第一阶段，构建了一个基于DRT的ECM，并应用DR生成大规模的模拟EIS数据用于模型训练。在训练阶段，采用了一种逐步策略：解码器被预训练以近似ECM映射，之后在虚拟谱上联合训练编码器和解码器，同时进行KK调节。

数据集概述

实验在两个数据集上进行：（i）一个商业LCO电池（Eunicell LR2032锂离子纽扣电池，220mAh）EIS数据集[16]，包含12个电池，在25°C、35°C和45°C下进行测试，阻抗测量范围为0.02 Hz至20 kHz（每十年10个点）。为了避免SOC引起的变化影响评估，并获得更直接和可解释的评估结果，本研究仅使用了这些电池的100% SOC谱；以及（ii）一个实验室NMC

比较实验

(a) B0 vs B1

为了与直接ECM拟合（B1）进行比较，所提出的方法（B0）在LCO和NMC数据集上进行了评估。如图4和表4所示，B0的重建误差仅略高于B1，两个数据集的最大平均MAPE均低于1%。值得注意的是，B0仅需要六个（LCO）或四个（NMC）频率的阻抗数据，而B1依赖于完整谱，表明所提出的方法在数据量大幅减少的情况下仍能达到接近ECM拟合的准确性

结论

电化学阻抗谱（EIS）为理解电池内部的电化学过程提供了丰富的信息，然而传统的频率扫描测量方法具有较长的采集时间，而数据驱动的EIS采集方法则严重依赖于大量的真实EIS数据。为了解决这些问题，本文创新性地开发了一种基于Sim2Real理论的数据驱动EIS重建框架，其中利用阻抗建模知识来生成

CRediT作者贡献声明

梁博辉：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，监督，软件，资源，项目管理，方法论，研究调查，资金获取，正式分析，数据整理，概念化。王雪梅：撰写 – 审稿与编辑，资金获取，正式分析，概念化。康龙云：资金获取。谢迪：资金获取。

写作过程中生成式AI和AI辅助技术的声明

在准备本手稿期间，作者使用了OpenAI工具来改进语言和可读性。使用该工具后，作者根据需要仔细审查和修改了内容。作者对最终版本的手稿负全责。AI仅用于辅助语言优化，并未执行任何会改变工作实质或原创性的关键任务。

资助

本工作得到了广东省自然科学基金（授权号：2025A1515011914）和东莞重点区域研发计划（授权号：20231200300112）的支持。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。