利用退化信息和分段电压信号对锂离子电池健康状态进行估计

《Process Safety and Environmental Protection》：Lithium-ion batteries state-of-health estimation using degradation information and segmented voltage signals

　　刘亚明|李浩然|姚立刚|徐旭翔|戴德志|王振雅
福州大学机械工程与自动化学院，中国福州350108

摘要
准确估计锂离子电池（LIBs）的健康状态（SOH）对于维护电池管理系统的安全性和可靠性至关重要。尽管基于数据驱动的方法在估计电池SOH方面取得了显著进展，但它们在可解释性和估计精度方面仍存在局限性。此外，许多现有方法在特征提取过程中仍依赖于人工干预，通常需要选择全周期或特定时间间隔的操作数据来提取特征。为了解决这个问题，本文提出了一种基于复合多尺度频率累积残差熵（CMFCre）和退化信息物理信息神经网络（DIPINN）的电池SOH估计新方法。首先，基于累积残差熵（CRE）理论和离散傅里叶变换（DFT）开发了CMFCre，该方法能够从恒流充电数据中的任何电压段提取高质量的熵域特征。其次，介绍了DIPINN方法。在这种方法中，编码器解耦并求解非线性物理参数，同时利用固体电解质界面（SEI）生长机制提取电池老化信息。通过将提取的老化信息与解码器结合，构建了一个物理损失函数，以确保模型在训练过程中遵循电池退化的物理原理。最后，在XJTU、TJU和FU数据集上的实验验证表明，CMFCre能够有效提取电压段的熵特征，所有评估数据集的相关性均超过0.94。此外，通过结合电池退化信息，所提出的DIPINN提高了估计精度和可解释性，实现了RMSE < 1%的SOH估计。

引言
由于锂离子电池具有优异的能量密度、高功率效率、长寿命和低环境影响（Pang等人，2025年；Siyi Li等人，2025年；Rongzheng Wang等人，2025年），它们被广泛应用于航空航天工程、电动汽车和大规模储能系统。作为复杂的电化学系统，锂离子电池在反复充放电循环过程中不可避免地会发生各种副反应，包括电解质分解、SEI膜生长和电极材料退化（Dhineshkumar等人，2025年；Deng等人，2025年）。这些副反应逐渐降低电池性能，增加内阻，并加剧热量产生，从而降低相关设备的运行效率，在极端情况下还会增加热失控或其他安全关键故障的风险。因此，开发一种高效准确的电池SOH估计方法对于性能评估和寿命预测、过程安全监控以及潜在故障的早期预警具有重要意义。

现有的锂离子电池SOH估计方法分为两类：基于模型的方法（Shiquan Wang等人，2024年；Jiabo Li等人，2025年）和数据驱动方法（Yan等人，2025年；Xinghua Liu等人，2025年）。电化学模型（EMs）（Ko等人，2024年；Brendel等人，2025年；Ruihe Li等人，2025年）和等效电路模型（ECMs）（Xianmin Mu等人，2024年；Sun等人，2025年；Xie等人，2024年；Zhao等人，2025年）是两种主要的基于模型的方法。EMs通过描述内部物理化学反应来揭示电池退化行为（Li等人，2024年）。然而，这些模型通常涉及多个高度耦合的偏微分方程，参数复杂且计算成本高，限制了其实际应用。ECM将电池转化为由电压源、电阻器、电容器和电感器等组件组成的电气系统（Hu等人，2025年）。通过模拟电池在运行过程中的电化学行为，ECM提取关键参数（如内阻、电容和循环次数），并使用适当的算法来估计SOH。尽管ECM在理论上具有高估计精度，但其实际性能很大程度上取决于模型精度，并容易受到环境变化和噪声的影响，因此通常仅适用于实验室或其他受控环境。

数据驱动方法消除了对电池建模或分析其内部电化学机制的需求。相反，机器学习（ML）算法用于从大规模电池数据中提取特征，并建立与电池SOH的映射（Dong等人，2023年；Renkui Chen等人，2025年；Zhou等人，2024年）。这些方法提供了高估计精度，正成为SOH估计的主要方法。例如，Fu等人提出了一种结合增量容量（IC）分析、增量斜率方法和多层感知器（MLP）模型的电池SOH预测方法，以实现精确的SOH估计（Fu等人，2024年）。Chen等人使用视觉变换器（ViT）从与电池SOH密切相关的电流、电压和时间曲线中提取特征，并建立这些特征与SOH之间的映射（Chen等人，2024年）。此外，通过将简化的退化动力学或电化学约束纳入神经网络，应用了物理信息学习来提高泛化和可解释性。Wang等人从选定的充电段中提取了16类统计特征，并将它们输入到物理信息神经网络（PINN）中，该网络结合退化动力学建模和物理约束来估计电池SOH（Wang等人，2024年）。Tian等人从特定充电间隔中获得了13个健康指标，并使用双分支PINN通过通用微分方程（UDE）重建SEI生长模型，实现了电池老化轨迹的准确估计（Tian等人，2025年）。

在数据驱动的SOH估计中，从电池数据中提取信息特征至关重要，且强烈影响估计精度（Zhen Wang等人，2025年；Kr?ger等人，2025年；Bingyang Chen等人，2025年）。然而，在实际应用中很难获得完整的电池充放电数据。因此，一些研究人员专注于开发针对有限电池数据的特征提取方法。例如，Lin等人基于局部IC曲线开发了一种特征提取策略，能够有效从3.6–4.2 V范围内的电压数据中提取特征。在他们的实验中，提取的健康指标与电池SOH的相关系数达到了0.330–0.988（Mingqiang Lin等人，2025年）。Yang等人从充电数据中获取IC曲线，并应用三次样条插值方法在特定电压间隔内推导出IC曲线段（Yang等人，2024年）。Zhang等人提出了一种基于温度的模糊熵特征提取算法，从恒流/恒压（CCCV）充电阶段提取健康指标，并使用多任务CNN–Multi-gate Mixture of GRU（CMMOG）框架实现了准确的SOH估计（Zhang等人，2025年）。Ma等人基于样本熵开发了一种多尺度特征提取和融合方法，并使用基于Autoformer的多任务学习框架实现了锂离子电池SOH和剩余使用寿命（RUL）的联合预测（Ma等人，2026年）。

尽管数据驱动方法在估计电池SOH方面取得了显著进展，但仍存在某些限制。现有的PINN型SOH估计器和基于熵的特征提取方法仍依赖于完整的充电轨迹或手工制作的指标。这些方法劳动密集且耗时，并且在不同的充放电条件和电池类型下适应性有限。为了克服这些限制，本研究提出了一种集成的CMFCre–DIPINN方法用于SOH估计。该方法旨在从恒流充电数据中的任何电压段准确估计电池SOH。本研究的主要贡献总结如下：
1. 提出了一种新的特征提取算法CMFCre，该方法结合了DFT和CRE理论，旨在从电压段中提取高质量、高度相关的熵域特征。
2. 开发了一种基于电池退化机制的DIPINN模型，它解耦非线性物理参数并提取有关当前循环容量衰减的信息以指导训练。
3. 使用XJTU、TJU和FU数据集评估了所提出的电池SOH估计方法的有效性、通用性和精度，这些数据集包括不同类型的电池和充放电条件。

本文的结构如下：第2节描述数据来源，第3节介绍所提出的SOH估计方法，第4节报告实验结果，第5节总结本文。

数据来源
为了验证所提出的SOH估计方法在恒流充电数据中任意电压段上的有效性，我们使用了来自24种不同化学成分和电池类型的电池老化数据集进行评估。评估使用了三个数据集：FU、XJTU（Wang等人，2024年）和TJU（Zhu等人，2022年）。具体来说，从XJTU、TJU和FU数据集中各提取了八个电池老化数据集。FU数据集是在我们的实验室生成的。

复合多尺度频率累积残差熵
本文提出了CMFCre算法，该算法可以从恒流充电过程中的任意电压段提取与SOH强相关的熵特征，从而在电池数据有限的情况下实现准确的SOH估计。为了模拟现实世界条件下的数据稀缺性，将恒流充电阶段的电压信号均匀划分为十个段。在每个充放电循环中，随机选择一个段用于CMFCre算法提取特征。

结果
为了评估所设计的SOH估计方法的精度、有效性和泛化能力，使用三个包含不同充放电策略和电池类型的电池老化数据集（XJTU、TJU和FU）进行了实验评估。此外，本文还将所提出的方法与几种先进的SOH估计方法进行了比较，以证明其优越的性能。

结论
本文提出了一种高精度的锂离子电池SOH估计方法，将CMFCre算法与DIPINN模型相结合。在三个包含不同电池类型和充放电条件的数据集（XJTU、TJU和FU）上进行了广泛的实验。实验结果证明了所提方法的准确性和有效性，主要结论总结如下：
1. 提出了一种基于CMFCre的电池健康特征提取算法。

作者贡献声明
刘亚明：撰写——原始草稿、方法论、概念化。
李浩然：方法论、数据整理。
姚立刚：撰写——审阅与编辑、资金获取。
徐旭翔：调查、形式分析。
戴德志：资源、数据整理。
王振雅：撰写——审阅与编辑、资金获取。

利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢
本工作部分得到了国家自然科学基金（编号52375043、51275092和51775114）和国家重点研发计划（编号2022YFB4702401）的支持。