面向LiFePO4电池循环寿命预测的退化感知温度分析

《Battery Energy》：Degradation-Informed Temperature Analysis for Cycle Life Prediction of LiFePO4 Batteries

　　

理解并预测电池循环寿命对于锂离子电池（lithium-ion cells）在尤其是快速充电条件下的可靠运行至关重要。传统预后方法主要依赖容量衰减和内部电阻等电化学测量，这类方法通常需要专门测试协议，从而限制了实际适用性。本研究考察温度这一非电化学且易于获取的信号，研究其在电池循环过程中所编码的退化相关信息。基于由密度泛函理论（density functional theory，DFT）支持的物理假设，研究人员将内部电阻的累积与热生成增加联系起来，而这种热生成增加会在循环过程中表现为特征性温度行为。研究使用了一个大型开源数据集，涵盖商业LiFePO₄/graphite电池在多种快速充电协议下的96,700次循环，并系统分析了温度、放电容量、内部电阻和循环寿命之间的关系。研究人员分别从充电和放电温度曲线中提取温度特征，并基于梯度提升机（gradient boosting machine，GBM）框架开发数据驱动的循环寿命预测模型。采用放电温度特征的模型显著优于仅采用充电温度特征的模型，而结合充电与放电特征可获得最高预测精度。Shapley值分析进一步揭示，放电相关温度特征对模型预测具有主导贡献。这些结果表明，经过适当处理的温度数据能够在不依赖电化学诊断的情况下，为电池循环寿命预测提供一种实用的非电化学路径。

该论文发表于《Battery Energy》，聚焦于快充条件下LiFePO₄电池循环寿命预测这一关键问题。电池在反复充放电过程中会发生复杂的电化学与结构演变，进而导致性能衰退和寿命缩短，因此如何在电池运行早期识别寿命差异并实现可靠预测，是电池管理与应用部署中的核心科学与工程问题。既有研究多依赖放电容量、内部电阻等电化学指标进行退化表征和寿命建模。尽管这些指标具有明确物理意义，但往往需要较复杂的测试流程，限制了其在大规模应用和在线运行场景中的可推广性。相较之下，温度是电池运行中最易获取的非电化学信号之一，能够综合反映充放电过程中由反应动力学、欧姆极化和热生成共同塑造的电芯响应。然而，原始温度值是否能够有效承载寿命相关退化信息，以及如何将其转化为可用于寿命预测的稳定特征，仍是未被充分解决的问题。正因如此，研究人员开展了本研究，试图建立一个兼具物理解释性与数据驱动优势的框架，从温度行为中提取退化敏感信息，用于LiFePO₄电池循环寿命预测。

研究人员首先提出一个具有物理基础的假设：随着持续循环，电池内部不可逆变化不断积累，包括缺陷形成、界面退化和传输不均一性增强，这些变化会推动内部电阻增长，并可概念性地对应为LiFePO₄相变势垒的有效提高。更高的有效相变势垒意味着在相同反应速率下需要更大的过电位，从而导致更强的不可逆热生成，并最终体现为温度曲线随循环发生系统性演变。在这一思路下，温度并非简单的辅助监测变量，而是可作为退化过程的间接综合表征信号。基于此，论文结合第一性原理计算与开源大规模循环数据，对温度、放电容量、内部电阻与循环寿命之间的关系进行了系统分析，并构建基于梯度提升机（GBM）的寿命预测模型。研究表明，原始平均温度并不能直接有效表征循环寿命，但经由充放电分离、循环间温差构建以及统计描述符提取后，温度数据可形成具有较强预测能力的退化特征；其中放电温度特征的预测价值明显高于充电温度特征，而充放电特征联合使用则取得最佳模型性能。论文的重要意义在于证明了温度这一非电化学信号在循环寿命预测中的可行性，为快充应用场景下低成本、易部署的电池健康诊断提供了新路径。

研究所采用的关键技术方法可概括为以下几个方面。其一，数据来源于公开电池老化数据库，包含A123 Systems商业圆柱形LiFePO₄/graphite电池在72种快充协议下共96,700次充放电循环；经剔除采集异常与热行为异常样本后，最终纳入61个电芯、30种充电协议。其二，采用密度泛函理论（DFT）和Vienna ab initio simulation package（VASP）计算Li_1?xFePO₄的形成能，分析其两相反应与相变势垒。其三，将温度数据划分为充电温度曲线T_C与放电温度曲线T_D，计算不同循环对之间的ΔT曲线，并提取均值、最大值、最小值、方差等统计特征。其四，基于GBM建立寿命回归模型，并通过五折交叉验证优化超参数，以平均绝对误差（MAE）和决定系数R²评价性能，同时结合Shapley additive explanations（SHAP）解释特征贡献。

3.1 将温度假设为循环寿命预后特征

在这一部分，研究人员首先借助DFT对LiFePO₄正极的本征相变行为进行分析，以为“温度可作为退化预后信号”提供定性物理动机。Li_1?xFePO₄在全组成范围内的形成能结果显示，该体系具有清晰的双相反应特征，即在脱锂过程中不存在热力学稳定的中间态。这意味着原始未退化状态下材料本身存在固有相变势垒。论文进一步据此提出：实际循环中，随着不可逆电化学和微结构变化积累，内部电阻持续上升，可视作有效相变势垒由初始状态Hb₁提升至退化状态Hb₂。势垒抬升会增加充放电维持相同反应速率所需的过电位，从而增强不可逆热产生。由此，温度演化可被理解为电池内部多种退化过程综合作用的间接响应。这一分析并未直接建立定量预测式，而是为后续从温度行为中提取寿命相关信息提供了物理解释框架。随后，研究人员引入包含96,700次循环的大规模LFP/graphite全电池数据集，指出该数据集同步记录电流、电压、容量、内部电阻与表面温度，且循环寿命分布宽，可为检验温度是否具有实用预后价值提供实验基础。

3.2 循环寿命与多种可测特征之间的相关性

在这一部分，研究人员系统比较了放电容量、内部电阻和温度与循环寿命之间的相关关系。首先，放电容量随循环数增加而衰减，不同快充策略下衰减轨迹存在明显差异。通过选取第10、100、200和300圈构建散点并计算Pearson相关系数（PCC），研究发现早期放电容量与最终循环寿命相关性很弱，在后期才逐渐增强。这表明放电容量虽然是经典退化指标，但并不适合作为早期寿命预测特征。

相较之下，内部电阻呈现出更强的预后能力。长寿命电芯的内部电阻增长更慢，而短寿命电芯增长更快。尤其在早期循环阶段，内部电阻即表现出与循环寿命较稳定的负相关关系，说明其能够较早捕捉退化差异。这一结果验证了内部电阻作为寿命预后指标的物理有效性。

随后，研究人员考察平均温度能否像内部电阻那样反映寿命信息。结果显示，随循环推进，电池平均温度总体上升，这与内部电阻增长导致热生成增强的预期一致；但平均温度与循环寿命之间仅表现出较弱且不稳定的正相关。因此，虽然温度中包含退化信息，但简单平均温度这一标量无法充分提取相关内容。这一结果构成全文的重要转折：温度并非无用，而是必须经过更细致的特征工程处理，才能成为有效寿命预测信号。

3.3 充电与放电温度曲线的处理

在确认原始温度指标不足后，研究人员进一步分析充电与放电温度曲线在循环过程中的演变规律。结果显示，无论充电还是放电过程，2.0–3.5 V区间内的电压–温度曲线都会随着循环推进发生整体上移，反映出持续的热积累和与内部电阻增长一致的趋势。然而，这种单调上移本身仍难以直接揭示循环寿命差异，因此研究重点转向“不同循环之间温度行为变化量”的表征。

具体而言，论文将温度数据分为充电温度T_C与放电温度T_D，并在选定循环m与n之间构造温差曲线ΔT_{C(orD) m?n} = T_{C(orD) m} ? T_{C(orD) n}。随后，从每条温差曲线中提取均值、最大值、最小值和方差四类统计描述符，以压缩表示温度行为随退化进程的变化幅度与离散程度。研究选择第10、100、200和300圈作为参考节点，从而形成6种两两组合，并在充电和放电两个过程上共得到48个候选特征。为增强数值稳定性并改善不同寿命范围样本之间的可比性，研究人员对温度描述符和循环寿命均进行了对数变换。

特征筛选结果表明，温差曲线的方差是所有候选统计量中与循环寿命关系最稳定、最显著的指标。在全部6种循环配对中，方差特征均表现出统计显著的负相关关系，说明温度曲线形状随退化演变的离散程度，比简单均值或极值更能承载寿命信息。进一步比较发现，来源于放电过程的方差特征与循环寿命的负相关显著强于来源于充电过程的特征。这一差异被论文归因于数据集实验设置：所有电芯采用统一的4 C放电条件，而充电协议则多样化，因此放电温度响应更具跨样本可比性，更稳定地反映退化相关热行为。该部分结果清楚表明，温度信息并非体现在原始数值本身，而是体现在经过过程分离与循环差分后的演化特征之中。

3.4 利用改进温度特征预测循环寿命

在获得具有相关性的温度特征后，研究人员构建了基于GBM的循环寿命回归模型，以评估这些特征的实际预测能力。模型分为三类：仅使用充电温度差分特征ΔT_C的充电模型、仅使用放电温度差分特征ΔT_D的放电模型，以及联合使用两类特征的充放电组合模型。

结果显示，充电模型表现较差，测试集上R²为?0.664，MAE为0.208，说明仅靠充电温度特征无法充分解释寿命差异。相比之下，放电模型的预测性能明显提升，R²达到0.671，MAE为0.080，表明放电温度特征已经能够较有效地编码与寿命密切相关的退化信息。组合模型表现最佳，R²达到0.723，MAE为0.066，说明虽然充电特征单独预测能力有限，但与放电特征联合后仍能带来稳定增益。论文同时给出了回到原始循环单位后的误差：放电模型、充电模型和组合模型的MAE分别为199.4、415.8和171.7圈。此外，研究人员在10次独立随机划分下重复分析，结果表明放电模型和组合模型均保持中等至良好的稳定预测性能，支持模型结果的稳健性。

为解释模型内部决策机制，论文进一步采用SHAP分析特征贡献。结果表明，在所有模型中，放电来源特征的SHAP幅值均明显高于充电来源特征，证实放电温度信息在寿命预测中占主导地位。在组合模型中，充电特征的加入会改变部分放电特征的相对重要性排序，这提示模型性能提升更多来自特征间交互作用，而非充电特征独立提供了强预测力。整体而言，该部分证明了经过适当工程化处理的温度特征，尤其是放电温度差分方差特征，能够支持有效的数据驱动循环寿命预测。

讨论与结论总结

论文讨论部分围绕一个核心观点展开：温度作为易获取的非电化学信号，本身并不天然等同于寿命信息，但在物理假设引导下，通过合理的过程分离和特征提取，可以成为具有实际价值的退化诊断变量。研究首先通过DFT给出LiFePO₄双相反应与相变势垒的物理背景，再用实验数据说明内部电阻增长与寿命密切相关，而温度则可能通过热生成间接反映这一过程。随后，研究进一步证明简单平均温度不足以承担预后任务，必须转向温度曲线形态随循环变化的量化表征。通过构造循环间温差曲线并提取方差特征，论文成功揭示了温度行为中隐藏的退化相关信息，且这种信息在统一放电条件下尤其清晰。最终，机器学习模型与SHAP解释共同支持：放电温度特征是循环寿命预测的关键，而充放电信息融合可进一步改善模型效果。该研究的重要意义在于为快充条件下电池寿命预测提供了一条不依赖传统电化学诊断的新路径，对低成本在线监测和电池管理系统开发具有应用潜力。同时，论文也明确指出，未来仍需在更丰富的工况、传感器配置和电池化学体系下进一步验证这一框架的普适性。

研究结论部分翻译如下：

本研究表明，在经过适当处理后，温度可作为快速充电条件下电池循环寿命预测的可靠非电化学指标。通过将具有物理基础的解释与数据驱动分析相结合，研究人员建立了一个连贯框架，将退化诱导的内部电阻增长与电池运行过程中具有特征性的温度演化联系起来。对LiFePO₄正极的密度泛函理论（DFT）分析揭示了具有相变势垒的本征双相反应机制，从定性上为将退化与过电位增加及不可逆热生成增强相关联提供了物理动机。对商业LFP/graphite电池的实验分析表明，尽管内部电阻从早期循环开始就具有较强的预后相关性，但仅依赖放电容量和原始温度指标并不足以充分捕捉循环寿命信息。为解决这一局限，研究人员通过分离充电与放电过程，并从选定循环之间的温差曲线中提取特征，对温度行为进行了系统分析。在所评估的描述符中，来源于放电温度曲线的方差特征与循环寿命表现出最强且最一致的相关性，这表明在该数据集中、所有电芯均采用统一4 C放电条件时，放电温度曲线能够更一致地反映退化相关热变化。基于GBM框架的数据驱动预测模型进一步表明，放电来源温度特征显著优于充电来源特征，而融合充电与放电信息可获得最高预测精度。Shapley additive explanation分析证实了放电温度特征的主导贡献，并揭示当引入互补的充电信息时，特征间交互作用会增强模型性能。总体而言，所提出框架为非电化学电池循环寿命预测提供了一条具有物理可解释性的路径，凸显了基于温度诊断在快速充电应用中的潜力；同时，在更多样化运行条件、传感器配置和电池化学体系中的进一步验证，仍是未来重要研究方向。