利用电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)与高斯过程回归(Gaussian Process Regression, GPR)实现高容量软包锂离子电池(Lithium-Ion Batteries, LIBs)早期寿命健康状态(State-of-Health, SOH)预测
《International Transactions on Electrical Energy Systems》:Early-Life State-of-Health Prediction of High-Capacity Pouch Lithium-Ion Batteries Utilizing Electrochemical Impedance Spectroscopy and Gaussian Process Regression
编辑推荐:
准确的电池健康状态(State-of-Health, SOH)预测是先进电池管理中的关键需求,尤其在电动汽车(Electric Vehicles, EVs)等对安全性要求较高的应用领域。电池生命周期早期阶段SOH预测的难点主要在于健康指标(Degradatio
准确的电池健康状态(State-of-Health, SOH)预测是先进电池管理中的关键需求,尤其在电动汽车(Electric Vehicles, EVs)等对安全性要求较高的应用领域。电池生命周期早期阶段SOH预测的难点主要在于健康指标(Degradation Indicators, DIs)与实际SOH之间的相关性有限。在此背景下,退化指标的效率起着至关重要的作用,并成为显著影响SOH预测精度的关键决定因素。研究人员提出一种机器学习方法,利用低频实部与幅值部分的阻抗谱对高容量软包锂离子电池(Lithium-Ion Batteries, LIBs)早期生命周期内的SOH进行预测,该方法包含丰富的电池退化信息,并考虑了电池荷电状态(State-of-Charge, SOC)的影响。研究人员采用皮尔逊相关系数(Pearson Correlation Coefficient, PCC)分析从电化学阻抗谱(Electrochemical Impulse Spectroscopy, EIS)数据中提取退化指标,以筛选与SOH关系密切且受SOC影响较小的退化指标,从而提高在相同电池类型及受控实验条件下所选特征的可迁移性。该方法同时实现了EIS测量的降维,在保留与SOH相关信息的前提下将EIS测量所需时间减少33.6%。研究人员采用不同核函数的高斯过程回归(Gaussian Process Regression, GPR)模型及不同SOC下测得的数据集对所提方法进行验证。结果表明,基于15个选定频率的退化指标能够以平均最大均方根误差(Root Mean Square Error, RMSE)0.073%与平均最大平均绝对误差(Mean Absolute Error, MAE)0.0576%的精度准确预测SOH。该研究为受控实验条件下早期SOH预测提供了一种实用的EIS特征选择框架。
论文解读:《利用电化学阻抗谱与高斯过程回归实现高容量软包锂离子电池早期寿命健康状态预测》发表于《International Transactions on Electrical Energy Systems》。研究背景方面,锂离子电池(Lithium-Ion Batteries, LIBs)因高容量与高性能在航空航天与汽车工业尤其是电动汽车(Electric Vehicles, EVs)领域占据主导地位,但电池损耗的不可预测性是制约其应用的主要障碍,健康状态(State-of-Health, SOH)作为当前容量与初始容量之比,对判断电池更换时机及梯次利用至关重要。现有SOH预测分为基于模型与数据驱动两类,前者依赖精确参数识别且难以模拟全部退化机制,后者面临物理信息输入构建困难及数据集标准化缺失等问题。传统电压电流温度(Voltage, Current, and Temperature, VIT)特征依赖传感器精度且易受环境干扰,而电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)作为无损检测技术可提供电极电解质界面丰富电化学信息,但EIS全频谱维度高且受荷电状态(State-of-Charge, SOC)影响显著,早期寿命阶段退化指标与SOH相关性弱,现有研究多忽视SOC对不同老化阶段EIS的一致性及泛化性影响,因此亟需筛选强SOH相关且弱SOC敏感的EIS特征以提升早期预测精度。研究人员针对高容量软包镍锰钴(Nickel Manganese Cobalt, NMC)锂离子电池早期(0至650循环)在受控实验室条件下的SOH预测,得出低频实部与幅值阻抗含丰富退化信息,经皮尔逊相关系数(Pearson Correlation Coefficient, PCC)筛选15个低频频率(2.5至0.1 Hz)可使EIS扫描时间减少33.36%,基于高斯过程回归(Gaussian Process Regression, GPR)的预测平均最大均方根误差(Root Mean Square Error, RMSE)与平均绝对误差(Mean Absolute Error, MAE)分别为0.073%与0.0576%,且该特征在同类型电池间具备一定迁移性,为早期SOH预测提供实用框架,对电池管理系统(Battery Management System, BMS)的特征工程具有重要意义。
关键技术方法方面,研究人员采用两节70 Ah软包镍锰钴(NMC)锂离子电池在0.1 C倍率下开展加速老化循环至650圈,每50圈进行容量测试并在不同SOC(100%至0%)静置3小时后用WONATECH ZIVE MP10设备于10 kHz至100 mHz获取EIS数据;采用皮尔逊相关系数(PCC)分析EIS实部、虚部、相位与幅值四部分在各频率与SOH及SOC的相关性,筛选与SOH绝对PCC大于0.90且与SOC PCC低于约0.60的低频特征;以一节电池数据为训练集另一节为测试集,采用零均值函数与高斯似然的GPR模型,对比平方指数、Matern 3/2与Matern 5/2三种核函数,并以RMSE与MAE及训练时间评估性能,另开展留一SOC交叉验证测试特征迁移性。
研究结果部分,在3. SOH Methodology中,研究人员通过分析不同循环与SOC下EIS各分量对SOH的敏感性,发现实部在所有频率随SOH线性增加,幅值在100至0.1 Hz与SOH强相关,低频低于5.5 Hz虚部随循环增加,6至0.1 Hz相位随老化增加;通过PCC计算各阻抗分量与容量相关性,确定实部在3981.1至0.1 Hz、幅值在630.96至0.1 Hz等频段相关系数接近1,但高频受线缆电感影响无预测意义;进一步分析EIS各分量与SOC相关性发现低于3 Hz时各分量与SOC相关系数低于0.6且随老化影响减弱,故选定2.5至0.1 Hz共15个频率的实部与幅值作为退化指标(Degradation Indicators, DIs),将原51频率降至30维特征,扫描时间由10804 s降至7200 s,减少33.36%;GPR建模中以15频点实部与幅值共30维为特征输入,采用MATLAB GPML工具箱进行z-score归一化并优化超参数;评估指标采用RMSE与MAE及训练耗时。
在4. Results and Discussion中,4.1 SOH Prediction表明用Cell 1训练Cell 2测试在六组SOC下平均RMSE为0.073%、MAE为0.0576%,最大绝对误差约0.32%,预测值紧密跟踪实测SOH;4.2 Selected Frequencies Influence SOH Accuracy and Robustness显示未筛选的全频谱51频率输入GPR平均RMSE达1.047%、MAE达0.958%,最大绝对误差约2.82%,证明筛选低频特征显著提升精度并降低训练时间由0.435 s至0.404 s;4.3 Robustness to Kernel Functions对比三种核函数,Matern 3/2核在六组SOC下RMSE与MAE最低,平方指数核训练时间最短(0.395 s),Matern 3/2为0.412 s,存在精度与耗时权衡;4.4 Leave-One-SOC-Out Validation中每次从训练集排除一个SOC用其余训练测该SOC,结果显示即便训练不含某SOC水平仍能维持可接受预测,表明所选低频特征降低SOC依赖;4.5 Computational Cost of GPR Kernel Functions记录各核训练时间,确认精简特征减少输入维度从而降低推断负担,离线训练在线推断策略适用于电池管理系统(BMS)。
讨论部分总结,研究人员指出所有实验在固定温度、低倍率循环与开路电压(Open-Circuit Voltage, OCV)-EIS静置条件下完成,未考虑温度变化、动态负载、不同倍率及批次差异对EIS的影响,未来将纳入多温度数据与更多电池以评估框架普适性;所选15频率源于本实验高容量软包NMC电池,不可直接泛化至所有体系但可通过多电池多批次PCC筛选获得批次鲁棒退化指标(DIs);早期寿命定义为本实验协议下0至650循环,更长周期表现需进一步研究。结论部分译为:本研究提出了一种基于EIS的退化指标(DIs)选择框架,用于在受控实验室条件下考虑SOH敏感性与SOC依赖性以预测高容量软包LIBs早期寿命SOH。退化指标(DIs)提取自低频且与电池老化物理效应密切相关。通用方法包括对EIS各部分进行相关性分析,以识别与SOH高度相关且受电池SOC变化影响最小的EIS频率。分析表明低频(2.5至0.1 Hz)EIS阻抗实部与幅值满足上述要求。这些频率的选择将测量时间减少33.36%,在测试条件下保持与SOH相关的信息同时保留信息丰富的退化指标(DIs)。研究人员开发GPR模型以验证退化指标(DIs)性能并用阻抗实部与幅值作为输入预测SOH,模型用一节电池数据训练并用同类型同老化协议的另一节电池数据评估,结果证明了测试数据集内的单体间迁移性而非广泛统计泛化,且本方法适用性限于本实验协议下0至650循环的早期寿命区域。结果表明选自15个选定频率的退化指标(DIs)在不同SOC测试测量下能以最大平均RMSE 0.073%与MAE 0.0576%准确预测SOH;不同GPR核函数比较表明所选EIS特征在测试数据集内维持稳定预测性能;而以往研究用全频率测量的SOH预测平均RMSE与MAE分别为1.047%与0.958%,表明选定频率特征在GPR框架内提升了预测性能。需注意本研究均在受控实验室条件下进行包括固定温度、低C率循环与弛豫OCV-EIS测量,未探讨温度变化、动态负载曲线、不同C率及制造批次差异的影响,因EIS响应受温度强烈影响尤其是通过电解质电导率、电荷转移电阻与扩散相关阻抗,将训练模型应用于其他温度可能降低预测精度,未来工作将收集多温度EIS数据并将温度作为额外模型输入或条件校准因子,并纳入更多电池以进一步评估所提特征选择框架的泛化性与实际应用性。