基于电化学阻抗谱多健康阶段特征频率与机器学习的锂离子电池健康状态估算

《Journal of Energy Storage》：Lithium-ion battery state of health estimation based on multiple health stages characteristic frequencies of impedance spectroscopy and machine learning

　　

准确评估电池健康状态（State of Health, SOH）对于保障电池安全运行及优化充放电策略至关重要。针对电池老化过程中电化学阻抗谱（Electrochemical Impedance Spectroscopy, EIS）固定频率点特征存在频率漂移（frequency-drift）的问题，研究人员提出了一种基于EIS的多健康阶段特征频率提取方法，并构建了卷积神经网络—最小二乘支持向量机（Convolutional Neural Network-Least Squares Support Vector Machine, CNN-LSSVM）联合模型用于SOH估算。首先，通过对锂离子电池EIS数据及Nyquist图的分析提取了五个特征频率点；其次，分析了电池老化过程中固定频率点的渐进偏移，构建了多健康阶段特征频率集；最后，将该特征集输入CNN-LSSVM模型进行SOH估算。实验结果表明，采用多健康阶段特征集作为输入的CNN-LSSVM模型，在三组测试电芯上的SOH估算平均均方根误差（Root Mean Square Error, RMSE）为1.48%，平均绝对误差（Mean Absolute Error, MAE）为1.20%，从而在跨电芯条件下实现了稳定且高精度的SOH估算。

论文解读：基于EIS多健康阶段特征频率与CNN-LSSVM联合模型的锂离子电池SOH估算

发表于《Journal of Energy Storage》

一、研究背景与意义

锂离子电池因其高能量密度和长循环寿命广泛应用于电动汽车及储能系统，准确评估其健康状态（State of Health, SOH）是确保安全运行与梯次利用的关键。现有SOH估算方法分为基于模型（等效电路模型ECM、电化学机理模型）与数据驱动（机器学习/深度学习）两类：前者受限于机理认知不全及参数辨识困难；后者虽避开机理建模，但通常需大量多工况数据且物理可解释性差。电化学阻抗谱（Electrochemical Impedance Spectroscopy, EIS）可无损获取反映内部电化学过程（高频—欧姆阻抗、中频—电荷转移与SEI膜、低频—固相扩散）的宽频信息，具备物理内涵。现有EIS应用于SOH的研究多采用全频谱输入（耗时，难用于实时电池管理系统BMS）或固定单/多频率点（电池老化导致特征频率向低频漂移，固定点特征失配降低精度）。因此，如何在保证测量效率的同时解决频率漂移问题、融合物理可解释性与高精度跨电芯泛化能力，是本研究开展的核心动因。Aina Tian、HainanWang等研究人员提出基于多健康阶段动态提取EIS特征频率并结合CNN-LSSVM联合回归框架的SOH估算方法，有效解决了固定频率点漂移导致的特征不匹配问题，显著减少了阻抗测量点数，并在跨电芯条件下验证了高精度与鲁棒性。

二、主要关键技术方法

研究人员选用公开锂离子电池EIS老化数据集，以容量衰减定义的SOH（C_τ/C₀×100%）为标签。首先在Nyquist图中依据典型等效电路响应辨识5个具物理意义的特征频率点（关联欧姆电阻、SEI膜增长、电荷转移等过程）；将SOH全程按10%间隔分段，于各SOH区间重新识别上述5类特征频率点，构建含多阶段动态特征频率的20维特征向量以解决老化频率漂移；将该特征集输入CNN提取深层表征后接入最小二乘支持向量机（LSSVM）进行回归预测，形成CNN-LSSVM联合模型，并与单一CNN、单一LSSVM及固定频率点特征输入进行对照实验。

三、研究结果

SOH definition

研究人员采用当前循环容量C_τ与初始额定容量C₀之比乘以100%定义SOH，作为模型训练与验证的目标变量。

Definition of physical characteristic points on Nyquist plots

EIS通过在指定频率施加小幅交流扰动测得频域阻抗响应，Nyquist图实部Z'与虚部-Z''分布对应不同电化学过程。研究人员结合一阶/二阶RC等效电路Nyquist几何特征（高频截距为欧姆阻抗R_Ω，中频半圆顶点/极值点关联电荷转移电阻R_ct与双电层电容C_dl、SEI膜阻抗，低频斜线反映Warburg扩散），从全频段EIS中初选5个特征频率点分别对应高频区、中高频半圆起始、半圆峰值、半圆终点及低频过渡区，赋予特征明确的电化学物理含义。

CNN-LSSVM model construction

提取的20维多阶段EIS特征存在冗余与多重共线性，研究人员先以一维CNN通过卷积与池化自动学习特征间非线性相关关系并输出定长深度特征向量，再将此深度特征作为LSSVM输入建立SOH回归映射。CNN负责特征降维与非线性抽象，LSSVM在小样本回归上具有良好泛化性，二者联合弥补单一模型不足。

Results and discussion

研究人员对比了多健康阶段特征频率提取（M1）与固定频率点提取作为输入时不同模型表现。结果显示：以固定频率点为特征时CNN-LSSVM的RMSE为1.51%、MAE为1.28%；采用多健康阶段特征频率集（M1）后CNN-LSSVM的RMSE降至0.98%、MAE降至0.78%，R²显著提升。在相同多阶段特征输入下，CNN-LSSVM较单一CNN及单一LSSVM误差更小、SOH拟合曲线与真实值一致性更好，证明动态特征频率重构有效克服老化频率漂移引起的特征退化，且CNN-LSSVM联合框架增强了跨电芯预测稳健性。

四、讨论与结论（翻译浓缩结论部分）

研究人员得出结论：本文提出的基于EIS多健康阶段特征频率提取与CNN-LSSVM联合建模的SOH估算方法行之有效。多健康阶段特征频率点提取策略能明显改善SOH估算性能——以固定频率点特征为对照，多健康阶段特征（M1）使RMSE由1.51%降至0.98%，MAE由1.28%降至0.78%，判定系数R²提升；所提方法在大幅减少阻抗测量频率点数的同时保持高估算精度，且在跨不同电芯条件下展现出良好泛化能力与适应性。该方法兼顾EIS快速测量效率、阻抗谱物理信息利用及高精度SOH估算，为车载BMS中基于EIS的电池健康诊断提供可行思路。