power-sonic蓄电池锂离子电池全谱电化学阻抗的条件不变频率选择与Transformer-图自回归重构
2026-04-17 21:47:51 点击： 次
电化学阻抗谱（EIS）作为锂离子电池的重要诊断工具，仍受限于高昂的实验成本与冗长的测量周期。本研究提出一种稀疏测量框架，仅需通过五个DRT导出的特征频率即可重构全谱EIS，且在不同工况下均保持稳定性能。通过弛豫时间分布（DRT）集成分析提取特征频率，形成对荷电状态（SOC）、温度、老化及电池个体差异具有鲁棒性的条件不变选择策略。基于这些稀疏测量数据，采用具有多性向门控Transformer-Graph结构的双流自回归解码器，可重构完整的实部与虚部阻抗谱。在包含3000余组谱图的大型公开数据集上，该方法在所有SOC条件下均实现稳定的低重构误差：总平均绝对误差（MAE）范围介于0.0049至0.0070之间。
图文摘要
引言
锂离子电池在推动交通系统电气化进程中发挥了关键作用，尤其对电动汽车(EVs)的发展至关重要，并为实现碳中和目标作出了显著贡献[1][2]。锂离子电池在推动交通系统电气化进程中发挥了关键作用，尤其对电动汽车(EVs)的发展至关重要，并为实现碳中和目标作出了显著贡献[1][2]。从生命周期角度分析，电池电气化所量化的环境效益易受使用阶段建模假设与报废回收路径的影响，这进一步凸显了可靠状态/健康监测对实现更安全、更持久运行的重要性[3][4]。然而即便实施严格的制造管控，由隐性缺陷引发的热失控及起火等问题仍无法完全消除。因此，电池运行过程中的精确监测是确保安全的必要保障措施[5]。因此，电池管理系统（BMS）被用于缓解这些风险。BMS对于监测和控制电压、电流及温度至关重要，从而提升锂离子电池的可靠性与使用寿命，尤其在电动汽车应用中[6][7]。然而，有限的输入维度无法完全捕捉锂离子电池内部复杂的相互作用机制，进而阻碍了对其实际状态的精确预测[8][9]。
近期，随着"智能电池"研究的快速兴起与日益关注，其核心方向在于通过引入应变/应力、内部温度、电化学阻抗谱（EIS）等高维模态来增强传统电池管理系统（BMS），以实现信息融合与更可靠的电池状态估计[10]。在这些新兴模态中，EIS因其高灵敏度和非破坏性特性，成为智能电池监测系统的理想选择[11]。通过施加小幅度交流电信号并扫描特定频率范围，EIS能够表征电池的动态响应特性[11]。该技术可采集不同频域的阻抗数据，进而通过等效电路建模[12]或弛豫时间分布（DRT）分析等先进方法[13][14]进行数据解析。基于上述信息，电池管理系统（BMS）可实现多种状态估计功能，如荷电状态（SOC）[15]、健康状态（SOH）[16]、内部温度预测[17]以及故障诊断[18][19]等[20]。此外，Hu等研究者[21]通过电化学阻抗谱（EIS）揭示了电荷转移反应动力学、界面演化过程及锂离子扩散行为，为不同老化阶段电池性能衰退机制提供了理论依据。这些案例表明，EIS不仅有助于电池管理，还能用于阐明电池运行过程中潜在的物理化学现象[22]。
此外，与其它先进传感技术不同，电化学阻抗谱（EIS）无需进行侵入式硬件改造即可轻松嵌入电动汽车动力总成系统[23][24]。Moore等学者[25]采用双向DC/DC转换器实现了无需额外硬件的在线EIS方法，可在正常运行期间实现电池实时监测。Petrus团队通过注入周期性电流并测量端电压，将EIS集成至电池管理系统（BMS）中，从而在不增加传感器的情况下实现基于阻抗的诊断[26]。值得注意的是，多款支持电池管理系统（BMS）进行电化学阻抗谱（EIS）采样的商用模拟前端（AFE）芯片——如大唐恩智浦的DNB1168[27]——已同时获得汽车电子委员会AEC-Q100认证与汽车安全完整性等级ASIL-D双项车规认证，表明其具备集成至现有商用电动车的成熟度。然而，实际工况下的EIS测量仍面临空间限制、频率约束与精度问题等诸多挑战[28][29]。传统板级EIS采集系统因硬件尺寸限制，常存在高频段信噪比（SNR）劣化的问题[30][31]。此外在实际应用中，用户通常难以接受全频谱EIS测量所需的冗长采集时间[32]。此外，为确保车载/在线场景中测量有效性且不中断正常充放电过程，阻抗获取通常需在短时间窗口内完成；因此实际实施时往往优先考虑中高频段（约100 Hz–1 Hz和1 kHz–100 Hz），以在时间和操作约束下获取可靠信息[33][34][35]。除时间负担外，极低频EIS还存在与基础测量假设相关的固有局限。由于极低频激励周期较长，电池状态可能在测量过程中发生变化，导致非平稳性并违反时不变性假设[36][37]。
为解决这些问题，Temiz等人[38]开发了一种协作式机器学习框架，该框架能从最小种子EIS数据中再生锂离子电池阻抗，生成与完整实验测量相匹配的频谱。Sun等人[39]提出了一种卷积神经网络(CNN)，仅使用四个DRT衍生的特征频率阻抗即可预测全频阻抗谱，将简单测量与基于模型的推断相结合。综上所述，这些研究证实：从有限频率样本中恢复完整EIS曲线不仅可行，而且具有重大实践意义[40]。然而，一个关键且仍未充分探索的问题是哪个频率测量应确保稀疏采样在不同运行条件和老化状态下仍能保持信息价值与可靠性。针对氢燃料电池系统的最新DRT稀疏采样研究表明，对于相对平滑的频谱和特定任务的下游指标，即便是随机子采样的频率——结合强统计先验——也能显著加速阻抗获取[41]。然而这一有利发现并不能直接推广至实际应用场景中的锂离子电池。锂离子电池（LIB）阻抗特征会随荷电状态（SOC）、温度和衰减程度发生显著变化[42][43][44]。实践中，这种变异性表现为明显的跨工况与跨单体差异：频谱形态随SOC和老化阶段改变，而DRT峰值的位点与幅值在不同电池单体及循环周期间呈现离散分布[42][43][44]。测量噪声会进一步加剧这些效应，导致高频与低频区域的不确定性尤为突出[45][46][47]。最新研究还表明，阻抗特征的信息量具有固有的频率与条件依赖性[48][49]，且老化过程会改变主导机制及其对应的特征频段[50]。因此，要实现精确的全频谱重建，需要覆盖与不同动力学过程相关的多个频段代表性数据，而非仅优化单一标量指标。这促使我们需要一种系统化且可迁移的策略，用于选择在跨工况和跨老化变异条件下仍具代表性的特征频率，其明确目标在于保持全频谱保真度。
此外，依赖传统静态神经网络进行EIS谱重构会阻碍其对不同电池类型和化学体系的泛化能力，并限制其在大规模数据集上的可扩展性。诸如标准CNN或前馈ANN这类架构，往往对未见过的运行条件和异质数据缺乏鲁棒性，尤其是在缺乏物理信息先验或迁移学习策略的情况下[51][52]。鉴于奈奎斯特图等EIS曲线可被渲染为类图像谱，计算机视觉领域的图像恢复方法（如自回归模型[53][54]和扩散模型[55]）可用于EIS图像重建。其中，自回归模型通过将图像表示为视觉Token序列并逐步预测图像块，能有效建模长程依赖关系、适应复杂结构，已在图像重建领域获得广泛应用[56][57]。鉴于电化学阻抗谱(EIS)各频率间存在显著物理相关性，采用自回归(AR)模型进行EIS图像重建具有高度可行性。
基于上述观察，我们开发了一个统一框架，该框架将条件不变的频率选择与专为稀疏电化学阻抗谱测量设计的自回归频谱重构网络相结合。在此框架内，我们系统研究了采样设计、模型架构、评估方案以及跨操作域的可迁移性。本文的主要贡献可概括如下：
- (1)
开发了一种条件不变的频率选择策略，用于提取少量在温度、荷电状态、老化程度和电池类型间保持统计稳定性的特征频率，从而为稀疏电化学阻抗谱采集提供具有物理可解释性的鲁棒采样方案；弛豫时间分布域中的集成统计量仅作为辅助证据用于识别稳定候选频率，而选择过程本身则在实验频率轴上完成定义。
- (2)
提出的FFT门控多尺度图变换器（FGMS-GT）采用自回归双流变换器-图架构，通过融合混合位置编码、相对频率注意力、k近邻对数频率图变换器卷积、频域门控及多尺度一维谱卷积等模块，实现从选定稀疏测量数据中完整重建实部与虚部阻抗谱。
- (3)
在大规模公开数据集上的广泛评估表明，所提出的模型实现了较低的重构误差，并在多个SOC状态下保持稳定的误差分布，其性能始终优于简化基线架构，同时在低频、中频和高频波段均能维持频谱一致性。
- (4)
跨温度及跨电池类型的迁移学习（TL）实验证实，FGMS-GT仅需有限微调即可适应新的工作域，这凸显了其在实时电化学诊断与电池管理系统领域规模化部署的应用潜力。