基于全生命周期性能评估的退役锂离子电池老化自适应开路电压模型与精确状态估计框架

《Journal of Energy Storage》：Adaptive open-circuit-voltage model and precise state estimation framework for retired lithium-ion battery aging based on full lifecycle performance evaluation

　　

周恒宇|吴硕|刘亚林|曹新奎|曾楠楠

西南交通大学电气工程学院，中国成都，610000

摘要

对退役锂离子电池进行准确的状态估计对于其分层利用和高效回收至关重要。然而，复杂的衰老机制以及电池之间的高不一致性带来了重大挑战。本研究提出了一种协作框架，结合了离线粒子群优化（PSO）和双自适应扩展卡尔曼滤波器（DAEKF），用于在线联合估计电池的荷电状态（SOC）和健康状态（SOH）。主要创新包括：通过PSO建立了一个适应衰老的OCV-SOC-SOH参数族模型以解决衰老漂移问题；采用离线全局优化和在线实时估计的双层策略来平衡准确性和计算效率；基于敏感度的自适应噪声调整策略来增强DAEKF的鲁棒性；以及一种利用OCV曲线形态和容量衰减的融合SOH估计方法。在包含89节退役NCM电池的XJTU数据集上的验证表明，所提出的方法在整个电池生命周期的稳定衰老阶段保持了高估计精度，MAE < 1.2%，并且在NASA数据上所有衰老周期（SOH从100%到70%）的RMSE保持在2.9%以下。该框架为高不一致性环境中的快速筛选、分层利用和下一代电池管理系统（BMS）应用提供了高精度和鲁棒的技术支持。

引言

废旧电池的状态估计是实现其分级利用和高效回收的关键前提[1]。然而，其复杂的衰老机制和高不一致性使得准确评估极具挑战性[2]，[3]。退役电池的健康状态（SOH）和剩余使用寿命（RUL）表现出诸如非线性衰减、内部电阻增加以及开路电压（OCV）和荷电状态（SOC）之间的曲线漂移等复杂现象[4]，[5]。同时，SOC和SOH之间存在内在的耦合关系（通常由容量和内部电阻表征）[6]，[7]，因此联合估计被认为是实现整个电池生命周期精确管理的必然选择[8]。这些因素共同对电池状态的准确和鲁棒估计构成了重大挑战。

准确的OCV-SOC关系曲线是所有基于模型的状态估计的基础[9]。其获取通常分为离线（LO）恒流静置（CC Rest）实验和在线（IO）动态回退策略[10]。然而，由于退役电池的复杂衰老机制和高不一致性，传统的离线固定OCV曲线会导致模型不匹配[11]，而在线方法容易受到噪声和动态运行条件的干扰[12]。此外，随着电池温度的变化，OCV曲线的形状会发生漂移[13]。为了解决OCV曲线漂移与SOH之间的复杂非线性问题，引入了诸如粒子群优化（PSO）[14]等全局优化算法。PSO能够有效地处理OCV-SOC曲线的复杂非线性拟合。通过其群体智能并行搜索能力，它可以在高维参数空间中找到最佳的OCV拟合系数，为不同衰老状态下的电化学监测（ECM）提供准确的离线校准基准[15]。

针对这些挑战，研究主要集中在两条路径上：基于模型的方法和数据驱动的方法。传统等效电路模型（ECM）的参数与电池的健康状态（SOH）之间存在强烈的耦合[16]。尽管已经使用了诸如遗忘因子递归最小二乘（FFRLS）[17]和自适应滤波算法（如AEKF）[18]等在线参数识别方法来实时跟踪模型参数漂移并在变化温度下解决模型不匹配问题，但ECM本质上是对电池外部特性的宏观描述，难以深入解释衰老背后的电化学内部机制[19]。这导致模型在其生命周期后期和衰老拐点处的精度显著下降，面临模型不匹配的固有挑战。另一方面，数据驱动方法（如Attention BiLSTM [20]）不需要精确的物理模型，可以学习衰老电池的复杂非线性行为，但其性能在很大程度上取决于训练数据的质量和覆盖范围[21]，导致模型的泛化能力较差，并且由于黑盒特性而缺乏物理可解释性[22]。

为了克服ECM模型的物理描述局限性，研究人员转向了电化学模型（如P2D模型）或电极级模型[23]，[24]。这些基于物理的模型可以从根本上描述诸如活性材料损失（LAM）、活性锂损失（LLI）和内部电阻增加（LIR）[25]等衰老机制，提供更准确的衰老机制描述和更丰富的物理意义。然而，极高的计算复杂性使得将这些模型应用于车辆BMS的实时在线估计变得困难[26]。尽管最新研究正在探索物理信息神经网络（PINNs）[27]的应用，试图将简化的电化学模型方程作为物理约束嵌入神经网络，并将其与DKF等方法结合进行联合估计[28]，但目前的方法仍然面临一个核心瓶颈：缺乏一种高效且低成本的方法来从电化学模型中提取和整合关键物理衰老特征到ECM的状态空间模型或滤波器中，从而从根本上解决模型不匹配和ECM在其生命周期内物理可解释性不足的问题[29]，[30]。

为了克服上述挑战，本文提出了一种用于准确估计退役锂离子电池状态的协作架构，主要创新如下：

• 1.
  通过PSO建立了一个适应衰老的OCV-SOC-SOH参数族模型，捕捉电极级别的退化，以解决传统固定OCV方法中的模型不匹配问题。
• 2.
  采用双时间尺度的离线-在线策略，PSO离线构建SOH感知参数库，而FFRLS和DAEKF在线联合进行实时SOC-SOH估计，实现毫秒级状态锁定。
• 3.
  基于敏感度的自适应噪声机制，动态调整协方差矩阵，在高不一致性环境中保持MAE低于1%。

本文的其余部分结构如下：第2节介绍电池衰老数据。第3节建立电池模型和不同方法。第4节验证了电池整个生命周期和衰老状态的估计精度。第5节提供结论和讨论。

章节片段

电池数据集

本研究使用了一个多维电池数据集来全面验证算法的鲁棒性。每个电池组的详细参数如表1所示。研究中每个数据集的目的定义如下：

LFP和NCM标准系统比较组用于进行多材料系统的敏感性分析。通过引入典型的LiFePO₄（LFP）和NCM材料参数，研究电压平台特性（如LFP的平坦OCV曲线）等

建模方法

由于锂离子电池的强非线性和时变特性，准确建立锂离子电池模型非常具有挑战性[35]。本研究采用了一阶RC模型[36]，基于计算效率和估计精度之间的平衡。与二阶RC模型相比，一阶结构显著降低了状态向量（SOC,U_{P）的维度，从而减少了雅可比矩阵的维度}

实验验证

为了验证所提出的估计方法，基于电池衰老测试数据验证了SOC和SOH估计的准确性。

结论与讨论

本研究开发了一种用于退役锂离子电池联合SOC和SOH估计的混合离线-在线框架。基于PSO的OCV-SOC-SOH参数集用于表征电池衰老过程中的OCV变化，而DAEKF实现了在不一致衰老条件下的在线状态跟踪。实验结果表明，所提出的方法在相对稳定的衰老阶段保持了MAE低于1%，并且在整个生命周期范围内（SOH 100%–70%）的RMSE低于2.9%

CRediT作者贡献声明

周恒宇：撰写 – 审稿与编辑，撰写 – 原始草稿，监督，软件，项目管理，资金获取。吴硕：撰写 – 原始草稿，可视化，验证，正式分析，数据管理。刘亚林：撰写 – 原始草稿，监督，数据管理。曹新奎：撰写 – 原始草稿，监督，项目管理，方法论，调查。曾楠楠：可视化，资源管理，项目管理，资金获取。

伦理批准

不适用。

利益冲突声明

所有作者均无利益冲突。代表所有作者，通讯作者声明不存在利益冲突。

致谢

作者们想要感谢云南省科学研究基金（2024J0088）对研究的财政支持。