等效电路参数的老化趋势与预测价值:工况在POWER-SONIC蓄电池健康状态估计中的作用

2026-10-26 22:38:05 点击: 次

 

摘要

本研究探讨了双RC等效电路模型(ECM)参数如何反映电池老化,并在不同工况下对健康状态(SOH)估计的贡献。分析采用了30个LG HE4电池在23–45°C老化条件下,跨越0–100%荷电状态(SOC)窗口的12,643次测量数据。参数通过放电后前300秒的弛豫过程识别。极端梯度提升(XGBoost)估计SOH,并通过增益和SHapley加性解释(SHAP)量化预测相关性;高斯过程回归(GPR)和岭回归使用相同的电池不相交折叠来评估对模型选择的依赖性。采样快速响应电阻R0显示出最清晰的老化趋势,其次是脉冲-静止指标Rpr;各支路电阻和时间常数随工作点的变化更为剧烈。XGBoost的平均绝对百分比误差(MAPE)从仅使用ECM输入的2.014%下降到加入温度后的1.444%、加入SOC窗口信息后的1.688%,以及同时加入两者后的1.023%,对应的R2值为0.850、0.931、0.874和0.963。温度提供了更大的独立改进。R0这一特征在各模型中均保持显著,而其他特征的排名则取决于学习器和可用的条件信息。因此,老化敏感性和预测相关性为电池健康状况提供了互补的、依赖于条件的视角。

 

 
图文摘要

1. 引言

锂离子电池在整个使用寿命期间,其电学和储能特性会发生逐渐变化。容量损失和内阻增加是这种退化现象的主要可观测后果。实验性的日历老化和循环老化研究记录了这些变化对温度、荷电状态(SOC)和循环条件等的依赖性[1,2,3]。这些变化直接影响可用能量、功率能力和使用寿命。健康状态(SOH)通常用于量化这种退化。由于SOH无法通过常规电池传感器直接测量,因此必须根据随老化而变化的测量信号或参数进行估算。
为此目的,人们开发了广泛的SOH估算方法。直接容量测量为电池退化提供了准确的参考,但需要受控且相对较长的充放电过程。电化学模型提供了关于内部过程的详细信息,但其参数化和计算要求可能会限制其实际应用。相比之下,等效电路模型(ECMs)使用较少的电学参数来表示电池行为,并在模型复杂度和物理可解释性之间提供了实用的平衡[4]。数据驱动模型提供了另一种选择,因为它们可以学习健康指标与SOH之间的非线性关系。然而,它们的性能很大程度上取决于所选输入特征中所包含的信息[5]。混合方法将物理知识与数据驱动方法相结合。例如,Wang等人将电池退化方程与神经网络结合用于SOH估算[6].
电池健康评估也取决于应用场景。Laila研究了光伏-电池-氢能系统的能量管理[7],而Afrose则探讨了电网级锂离子储能系统的安全挑战[8]。这些系统层面的背景促使人们在考虑运行条件和更广泛的安全要求的同时,对基于容量的SOH进行解读。
在基于模型的方法中,电阻-电容(RC)等效电路模型(ECM)被广泛用于表征电池端电压行为。一阶泰文模型包含一个RC支路,而二阶模型则使用两个RC支路来表征发生在不同特征时间尺度上的瞬态过程。额外的支路可以在不显著增加高阶模型复杂性的情况下,改善对快速和慢速极化动力学的表征。Sun等人比较了七种ECM结构与七种参数辨识方法,发现仅凭模型复杂度并不能保证SOH相关性能的提升[9]. Grebtsov等人同样表明,在城市动力计驾驶工况(UDDS)曲线下,参数化良好的二阶ECM电压均方根误差(RMSE)可接近1.2 mV,而其精度受用于辨识的激励脉冲和松弛间隔影响显著[10]。这些结果支持将双RC模型作为动态表征与模型复杂度之间的一种有效折中方案。
然而,对两个RC参数的解释仍需谨慎。Grandjean等人证明,RC支路可能存在结构可辨识性问题,因为不同的参数排列可能会产生相同的模型响应[11]。当单个RC参数被解释为特定电池过程的指标时,这个问题变得尤为重要。因此,在研究单个分支的变化时,需要特征时间常数具有一致的排序,并且参数识别条件必须明确定义。
电流中断后的电压弛豫为识别这些动态参数提供了一个合适的周期。一旦移除施加的电流,电压会立即发生变化,随后缓慢向平衡态过渡。弛豫响应包含了在不同时间尺度上运行的极化和传输过程的贡献。Theuerkauf和Swan研究了锂镍钴铝氧化物(NCA)、锂镍锰钴氧化物(NMC532)和磷酸铁锂(LFP)电池的这种行为。他们表明,弛豫的幅度和形状都强烈依赖于SOC和电池化学体系,并且弛豫行为可以持续数小时[12]。Goldammer和Kowal利用脉冲弛豫分离了具有不同特征弛豫时间的过程,进一步证明了时域电压恢复包含的信息,通常也可以通过频域方法进行检验[13]。Baghdadi等人表明,充满电并静置30分钟后测得的电压与剩余容量相关,可用于SOH评估[14].
Qian等人利用二阶RC电路对电压弛豫进行了建模,并确定了与欧姆极化、活化极化和浓度极化相关的量。这些量被用于评估在75 °C下老化的NCM/石墨软包电池的健康状态(SOH)。参考测试在25 °C下进行[15].
达到完全平衡所需的时间较长,这促使人们使用更短的弛豫间隔。Fan和Zhang利用卷积神经网络,从充满电后前10秒的弛豫中提取了与容量相关的信息[16]。Ko和Chen研究了几个短弛豫窗口,并报告仅使用30秒的弛豫数据时SOH的平均绝对误差为2.76%。在加入额外的电压差特征后,误差降至约1.83%[17]. Zhang等人随后将弛豫电压信息与卷积神经网络和迁移学习相结合,以提高跨电池和数据集的SOH估计精度[18].
基于松弛的方法也已扩展到更复杂的运行工况。Ke等人利用随机老化数据集16个电池子集的松弛衍生特征,其高斯过程回归(GPR)模型在使用60分钟松弛数据时实现了1.94%的均方根误差(RMSE)[19]。Chen等人使用了1分钟的充电后松弛,且未包含恒压充电阶段。在所有测试的截止电压下,SOH的均方根误差均未超过2.19%,包括那些未参与训练的电压[20]。Xiang等人使用编码器-解码器框架,仅利用4分钟的可用数据重建了完整的弛豫响应,并报告SOH的均方根误差(RMSE)为1.681% [21]。最近,Xu等人 [22] 表明,前6分钟的弛豫过程包含了特别丰富的衰退信息。当分别使用4分钟、6分钟和8分钟的弛豫数据时,他们报告的平均RMSE值分别为2.18%、1.70%和1.60%。这些研究表明,短时间的弛豫测量可以在不同的观察窗口内保留相当多的健康信息。
因此,一个重要的问题是,从弛豫响应中提取的哪些量对电池退化敏感。Barzacchi等人使用伪二维电化学模型研究了电化学性质的变化如何影响ECM参数。他们的结果显示,R0, R1和R2的响应不同,单个参数反映了在不同特征时间尺度和SOC区域内发生的过程[23]。利用合成电化学模型数据,Nicodemo等人表明,ECM组件对动力学、电解质传输和固体扩散参数具有不同的敏感性[24]。这些发现表明,不能假设ECM的各个元素包含相同的健康信息。
当考虑运行条件时,情况变得更加复杂。Tran等人实验研究了SOH、SOC和温度对ECM参数的综合影响。欧姆电阻随SOH降低而增加,且在较低温度下影响更显著[25]。Barcellona等人表明,内阻的不同组成部分也会随SOC和温度发生显著变化[26]。Beltran等人研究了不同存储温度和SOC水平下的日历老化。容量损失取决于这些条件,而测试的软包电池的整体阻抗基本保持不变[27]。因此,ECM参数的变化并不总是能仅归因于老化。
参数敏感性在整个工作范围内也会发生变化。Lai等人研究了在不同SOC和老化条件下具有单状态滞回特性的双RC模型。他们的分析确定了对电压建模和SOC估计有影响的参数,包括欧姆电阻、极化电阻和时间常数[28]。这种输出敏感性不同于参数区分老化程度的能力。Barcellona等人后来表明,电阻取决于测量是充电还是放电,并且这种滞回特性会随老化而变化[29]。这些发现强调了在解释参数变化时,考虑工作点和电流历史的重要性。
最近的研究使用不同的等效电路表示法对这些关系进行了考察。Frivaldsky等人监测了LFP电池在100次充放电循环及整个SOC范围内,二阶Thevenin模型中各元件的变化,包括独立的快速和慢速电压恢复分量[30]。Bihn等人开发了一种基于物理的ECM,其中不同的电气元件与电化学过程和特征时间尺度相联系。该模型包含ZARC和Warburg元件,以表示不同频率区域的过程[31]。Thomas和Weatherspoon研究了作为容量预测输入的单个ECM参数,发现仅电荷转移电阻的平均容量MAPE为1.41%,而完整的有效简化ECM参数集则为2.36% [32]。Michelini等人评估了31个候选健康指标,发现其中13个对老化高度敏感,包括弛豫电压趋势、开路电压(OCV)特征以及充电过程中电池极耳之间的温差 [33].
这些观察结果促使人们将等效电路模型(ECM)派生参数作为数据驱动SOH模型中具有物理意义的特征。Feng等人利用118个电池的58,826个观察数据,系统地比较了不同的特征组。在所研究的特征类别中,ECM派生特征通常提供了最准确的SOH估计,使用10-20分钟的弛豫数据时,基于高斯过程回归(GPR)的SOH均方根误差(RMSE)值低于1.1%,具体取决于数据集[34]。Wang等人利用二阶等效电路模型从弛豫电压中提取了六个具有物理意义的特征,并将其整合到物理引导的神经网络中[35]。Zhang等人从74个电池的弛豫测量数据中提取了开路电压(OCV),R0, R1, R2, C1和C2用于剩余寿命预测。他们报告了在混合工况下多个特征的系统性老化趋势[36].
最近,Wang等人使用自适应时间尺度解耦ECM从放电后弛豫中提取特征。他们的测试包括放电至2.5 V后3-5分钟的时间窗口。他们使用XGBoost进行容量估计,并比较了不同特征集中的参数趋势、基于增益的重要性以及SHAP结果[37].
特征重要性和可解释性方法为同一问题提供了另一个视角。Xiao等人将充电和弛豫衍生健康指标与优化后的极端梯度提升(XGBoost)模型以及基于树的SHapley加性解释(TreeSHAP)相结合,以量化单个特征对SOH估计的贡献[38]。Liu等人将弛豫电压特征与基于ECM的物理约束相结合,构建了一个多模态SOH模型。他们使用SHapley Additive exPlanations (SHAP)和局部可解释模型无关解释(LIME)进行全局和局部解释 [39]. 这些研究表明,可解释机器学习可以揭示哪些输入变量对预测至关重要,但高预测重要性并不一定意味着与电池老化之间存在直接或唯一的关系。
近期研究对特征相关性和物理含义进行了更深入的探讨。Li等人评估了不同运行子区间和温度下的特征相关性[40]。Xu等人将弛豫电压预测的GradCAM++解释与基于等效电路模型的老化分析相结合[22]. Jeon等人使用知识引导的ECM提取可解释的弛豫特征,用于不同电池类型的容量估计和SOH诊断[41]。Sohaib和Choi利用弛豫时间分布(DRT)分析中电荷转移和扩散时间常数的比值作为健康指标。他们的方法在评估时使用电化学阻抗谱(EIS)测量,而无需电池完整的循环历史[42]。这些研究支持探讨预测相关性与电池测量中包含的物理信息之间的关系。
以往的研究探讨了ECM参数的年龄依赖性、基于弛豫的健康指标以及物理信息特征的预测相关性[23,25,28,34,38]。二阶RC弛豫模型也被用于SOH评估,并且短弛豫测量已与ECM衍生参数及XGBoost相结合[15,37基于这些研究,我们将观察到的老化趋势与基于模型的单个双RC量相关性进行比较。随后,在相同的电池不重叠验证方案下,我们考察当显式引入温度和SOC窗口信息时,这种相关性会发生怎样的变化。
表1将这一问题与近期关于ECM特征、短弛豫窗口以及跨工况迁移的研究并列。
表1。与密切相关的基于弛豫的SOH研究的关系。报告的误差在不同数据集和验证设计之间不具有直接可比性。
一个参数可能会显示出系统性的老化趋势,但一旦已知运行条件,其预测相关性可能就会消失。相反,一个参数之所以显得重要,部分原因可能是因为它包含了关于运行点的信息。
我们之前的研究在多阶段SOH预测器中使用了双RC等效电路模型(ECM)特征和工况输入,该预测器包含并行的XGBoost和CatBoost学习器以及XGBoost融合层[43]。本研究使用相同的数据集和12,643次测量值的主要样本群,探讨了单个ECM参数如何随老化和工况点变化,以及当温度和SOC窗口信息可用时,它们的预测相关性如何变化。表2比较了两项研究的研究目标、特征定义、学习结构和验证设置。
表2。早期会议论文与本文的研究范围和方法。会议特征定义按该出版物中的描述进行复现。
分析使用了来自30个独立LG HE4 18650电池的12,643个样本,这些电池的标称容量为2.5 Ah。电池在不同的SOC运行窗口以及23 °C、25 °C和45 °C下进行老化。这些量R0, R1, R2, τ1, τ2和V∞通过放电脉冲后前300秒的电压松弛来确定。得出的指标Rpr也予以考虑。首先对两个代表性电池(电池1和16)的全部七项指标的衰减特性进行分析。电池编号遵循原始数据集的标识符。随后,使用独立的XGBoost模型评估这些趋势是否与基于增益的相关性以及全部30个电池的留出SHAP贡献相一致。
比较了四种受控特征配置:M1(仅ECM)、M2(ECM + 温度)、M3(ECM + SOC窗口)和M4(全部)。采用相同的单元不相交折叠,可分别和共同评估温度和SOC窗口信息的预测贡献。GPR和岭回归提供了预测性能和特征相关性的非线性与线性比较。全单元轨迹、拟合与采样诊断以及留出条件测试,确定了可解释所观察到的参数趋势和归因的范围。
本文余下部分安排如下。第2节描述了电池老化数据、参考性能测试、电压松弛分析以及两个RC等效电路模型参数的辨识。第3节展示了参数老化分析,以及基于XGBoost的特征相关性和工况结果。第四节讨论了观测到的物理趋势与基于模型的关联性之间的关系,并考虑了它们对SOH估计的影响。第5节总结了主要结论。

2. 材料与方法

2.1. 电池老化与参考性能测试

本研究中使用的老化数据来源于Neupert和Kowal发布的锂离子电池单体退化数据集[44]。该数据集包含30个LG HE4 18650锂离子电池单体,标称容量为2.5 Ah。其中28个电池单体在不同温度和不同SOC运行窗口下,于恒流条件下进行老化。其余两个电池单体则进行动态电流老化。恒流老化测试在23°C、25°C和45°C下进行,而动态测试在23°C下进行。
老化矩阵中包含了不同的SOC窗口和放电深度。在老化循环之间定期进行参考性能测试[44] 在这些测试中,记录了电流脉冲和容量测量过程中的电压、电流和温度。随后利用这些数据计算参考SOH值并识别ECM参数。
五个老化SOC窗口分别为0–100%、20–50%、50–80%、15–85%和35–65%。这些是运行历史标签,而非每次弛豫测量时的瞬时SOC。完整的原始样本包含来自30个独立电池的352次检查和12,643次相关测量。同一次检查内的测量值共享其基于容量推导的SOH。因此,统计重采样的实验单位是电池,而非单个弛豫段。表S1列出了每个电池的状况、检查次数、测量次数、SOH范围和测试批次。动态老化电池为C25B02(326次测量,第1批次)和C26B02(318次测量,第2批次)。
电池SOH是根据参考性能测试期间测得的放电容量确定的。对于每次测试,SOH计算为测得的放电容量与标称容量的比值,:QcalcQnom
SOH=QcalcQnom
此处,Qnom被设定为2.5 Ah。放电容量是通过对恒流放电段的电流进行积分计算得出的。所得的SOH值在整个参数老化和机器学习分析中被用作参考健康值。
由于分母是标称的2.5 Ah而非每个电池的初始实测容量,因此SOH可能超过100%。保留的SOH范围为69.28–101.84%;超过100%的数值不会被截断。
图1展示了一个代表性参考性能测试的电压、电流和电池温度曲线。电流脉冲会引起端电压的立即变化。电流中断后,电压逐渐趋于平衡水平。这种响应既包含即时的电阻贡献,也包含较慢的极化相关信息。因此,放电脉冲后的弛豫段被用于ECM参数辨识。
图1。典型参考性能测试期间的电压、电流和电池温度曲线。

2.2. 电压弛豫分析与双RC等效电路模型参数识别

使用双RC戴维南等效电路模型来表示电流脉冲后的电压响应。如图2所示,该模型由一个开路电压源、一个串联电阻R0以及由R1–C1和R2–C2构成的两个并联RC支路组成。这两个RC支路分别代表在不同特征时间尺度上发生的瞬态电压行为。
图2。本研究中使用的双RC特文宁等效电路模型。RC表示电阻-电容,OCV表示开路电压。
这两个分支的动力学由时间常数表示τ1和τ2在本研究中,τ1对应于较快的弛豫分量,而τ2对应于较慢的分量。电容C1和C2未作为老化特征单独分析,因为它们源自相应的电阻和时间常数,会引入密切相关的信息。这一选择并不意味着电容在物理上不重要。分析的ECM参数为R0, R1, R2, τ1, τ2和V∞; Rpr随后被计算为单独的衍生指标。
参考性能测试期间施加电流脉冲后的静止期被用于模型参数辨识。静止期是从电流接近零的间隔中检测出来的。电流阈值定义为每次测试中测得的最大绝对电流的2%,且最小阈值为10 mA。候选静止期要求持续至少30秒,并且必须紧随持续时间至少为10秒的电流脉冲之后。
参数辨识仅考虑放电脉冲后的电压松弛段。绝对电流低于1 A的脉冲被排除在外。此外,时长超过90秒的电流脉冲和超过500秒的静止期未纳入分析。因此,该分析关注的是短放电脉冲后的电压响应。
对连续电压样本进行检查,以限制电压突变对曲线拟合的影响。当两个相邻电压样本之间的绝对差值超过10 mV时,弛豫段即被截断。每个有效弛豫段的前300秒用于参数识别。该窗口包含了快速的初始响应和较慢的弛豫行为。记录的静止样本少于五个,或截断后在选定窗口内样本少于四个的段落将被排除。曲线拟合失败的段落将被省略。
图S11报告了预处理计数。在1,214,515个候选休息间隔中,有47,874个符合初始休息/脉冲持续时间标准。后续排除包括20,731个充电脉冲、5687个低电流脉冲、5836个过长脉冲/休息对、228个记录休息点不足的片段,以及2728个拟合窗口内点数不足的片段。所有12,664个符合条件的片段均实现了曲线拟合收敛。存在2933次尖峰截断事件:其中205次保留了足够点数,2728次导致了窗口不足的排除;这些并不属于额外的独立排除类别。最终,21个拟合缺少脉冲-休息指示器,剩余12,643行的主要样本。
电压弛豫行为使用两个具有不同时间常数的指数项进行建模。所使用的表达式见公式(2):
V(t)=Ae−t/τ1+Be−t/τ2+V∞
此处,和表示与两个RC支路相关的电压幅值,而和表示它们的时间常数。拟合渐近线用τ1表示。时间零点是第一个记录的静止样本。该渐近线是从有限的300秒窗口外推得出的,并非独立测量的平衡开路电压。理想电压源在τ22V∞表示平衡开路电压。Figure 2 denotes equilibrium OCV.
参数通过使用信赖域反射方法的非线性最小二乘曲线拟合来识别,其中maxfev = 30,000两个弛豫分量均在整个选定区间内进行拟合。定义了初始值以及上下限,以提高优化稳定性并约束拟合参数。
初始V∞估算值是根据300秒弛豫区间的开始和结束确定的。首先,ΔV=V300−V0和C0=V300+0.05ΔV进行了计算。随后,指数分量的总初始振幅被定义为AB=|V0−C0|。对于放电脉冲后的电压上升弛豫,初始值为和被设置为和,分别对应。−0.6AB和−0.4AB的初始值分别被设置为15秒和150秒。τ1和τ2根据电压弛豫的方向进行了调整。曲线拟合过程中使用的初始值和参数范围汇总在表3 and B were adjusted according to the direction of the voltage relaxation. The initial values and parameter bounds used in the curve-fitting procedure are summarized in Table 3.
表3。曲线拟合过程中使用的初始值和参数范围。
每个弛豫段都是独立拟合的。从一个段落中获得的参数不会被用作后续段落的初始值。优化后,时间常数被排序为τ1≤τ2,从而使第一分支始终代表较快的分量,第二分支代表较慢的分量。否则,RC参数的不同排列可能会产生等效的模型响应,并使对各个分支的解释变得复杂[11]. 该约定提供了统一的分支标签;它并未将每个分支唯一地分配给物理机制。
图3展示了一个代表性的电压弛豫段及其对应的模型拟合。上图显示了在选定的300秒弛豫期间,测量电压和双RC模型的输出。在快速的初始响应和随后的较慢弛豫过程中,模型与测量电压高度吻合。下图显示了所选段在完整电压曲线中的位置。每个电压弛豫段的曲线拟合通过计算决定系数(R2)进行评估。未采用基于R2的阈值来排除拟合段。
图3。所选300秒电压松弛段的测量值与模型电压,以及它在完整测试电压曲线中的位置。
采样的快速响应电阻是通过最后一次读档样本与第一个记录的静止样本之间的电压变化计算得出的:R0
R0=|Vrest,0−Vload||I|
此处,Vload表示最后记录的读档电压,Vrest,0首次记录的静止电压,以及最后记录的脉冲电流。记录的转换间隔中位数和静止-采样间隔中位数均为10秒。记录中未建立子采样切换时间戳或独立的电压/电流同步延迟。因此,计算出的可以包含快速极化恢复,且并非解析出的瞬时纯欧姆电阻。R0 can include fast polarization recovery and is not a resolved instantaneous pure ohmic resistance.
拟合振幅A和B用于计算和使用方程(R1R24)和(5)。由于在短脉冲期间,两个RC支路可能无法达到其稳态极化值,因此将前一个脉冲的有限持续时间包含在内[10,43].
R1=|A||I|1−e−tp/τ1
R2=|B||I|1−e−tp/τ2
此处,tp表示放电脉冲的持续时间。这些转换假设前一个脉冲近似恒定,且初始分支状态兼容。未观测到的先前极化和采样间隔可能会违反这些假设。因此,拟合的分支值是该测量协议的有效描述符。
除了拟合的RC支路电阻外,还计算了脉冲至静止电阻指标,记作,该指标由放电脉冲的最后一个读档样本与295–300秒内的平均静止电压之间的电压变化计算得出。分母为前一个脉冲的平均绝对电流:Rpr
Rpr=V¯rest,295–300s−Vload,end|Ipulse|¯
此处,Vload,end是电流中断前立即在读档下测得的最后一个电压值。电压平均值为V¯rest,295–300s=Nw−1∑j∈WVrest(tj),其中W={j:295s≤tj≤300s}和Nw是该时间窗口内可用样本的数量。因此,该平均值涵盖了所选时间间隔的最后五秒;它并非由固定样本数定义。分母是前一个脉冲期间绝对电流样本的算术平均值。窗口内至少有一个测得的电压样本,且平均脉冲电流幅值高于10−4需要A值;否则,该指标被视为缺失。此计算未采用电压插值。由于电压基线是在读档下测量的,因此该运行指标既包含采样的快速电压变化,也包含随后的弛豫响应。它并非单独拟合的两个RC支路电阻。
结果表明,R0, R1, R2, Rpr, τ1, τ2和V∞为每个有效的电压松弛段获取了数据。此外,还记录了松弛期第一个和最后一个保留样本的电池温度。识别出的ECM参数和温度值被用于研究与老化相关的变化以及运行条件的影响。
老化温度标签Tcha描述老化方案。相比之下,Tbeg和Tend是拟合区间内首个和最后一个保留样本的实测电池温度。最后一个保留样本出现在300秒或之前。这些测量值不被视为等于老化箱的设定值。

2.3. 模型训练与可复现性

分析工作在Python 3.12.10中实现。参数拟合使用了SciPy 1.16.3及信赖域反射法;完整的软件环境和实现细节记录在补充方法第S1节和补充软件S1中。ChatGPT/Codex(OpenAI;GPT-5.6 Sol和GPT-6 Astra)协助准备和编辑了分析代码,具体描述见补充方法第S1.3节.
分析模块battery_analysis.py,处理后的输入、配置、数值参考输出以及英文使用说明均在补充软件S1中提供。实现细节见补充方法第S1节.
使用相同的固定电池级折对四个特征集进行了比较。M1(仅ECM)包含R0, R1, R2, Rpr, τ1, τ2和V∞。M2(ECM + 温度)添加了Tcha, Tbeg和Tend,代表老化温度以及松弛间隔开始和结束时的电池温度。新增了M3(ECM + SOC窗口)SOCmin和SOCmax,这些窗口指定了老化期间使用的SOC窗口。M4(完整版)包含了所有12个特征。所有四种情况均保留了相同的训练和测试电池,并在每个外部训练集中独立进行超参数优化。
在整个分析过程中,折分配是固定的。这些折的构建考虑了电池的老化温度和SOC窗口,同时保持各折中的观测值数量大致相等。每折包含六个独立的电池,第1至5折分别包含2528、2533、2532、2523和2527个样本。所有特征集比较和基于模型的关联性分析均使用相同的折结构,以确保在不同输入配置下评估的一致性。表4列出了使用输入文件标识符的电池分配情况。每个外部训练集包含所有九种观察到的老化温度/SOC窗口组合;每个测试折包含其中的一个子集。
表4。固定五折交叉验证方案中使用的细胞分布。
XGBoost超参数在每个外部训练集内分别通过50次Optuna试验和五个互斥的内部折叠进行选择。目标是内部折叠的平均RMSE。基础随机种子为2026。完整的搜索空间和特定折叠的种子约定在补充方法,第S1.2节中详细说明。所有配置均使用相同的完整案例行和固定的外部测试单元格。SHAP值仅针对留出行进行计算。
XGBoost使用平方误差损失和基于直方图的树[45]. 表S5给出了每个M1–M4配置和外部折叠的选定设置。所有学习器均使用相同的四舍五入后的主要输入;数值精度在补充方法S1.2节以及数据和代码可用性声明中进行了说明。
在参数导出期间,缺失的行R0, R1或R2被移除。对于模型训练,非数值和无穷大值被视为缺失,且缺失M4中任何预测变量或目标SOH的行被排除。未应用额外的V∞范围过滤器。

2.4. 识别诊断与敏感性分析

电压拟合均方根误差和R2,每个符合条件的拟合都会记录不同采样时间点的数量、估计值达到参数边界的频率以及近似参数不确定性。如果时间常数的估计值与边界的差距在0.001秒以内,则将其归类为达到边界。主要分析还附带了三项独立的敏感性分析:排除所有达到边界的测量值;一项质量筛选,要求时间顺序有效、至少有六个不同的拟合时间点、均方根误差不超过5毫伏,以及R2≥0.95;以及更宽的范围[5, 80]秒和[20, 400]秒。质量阈值由分析师为本次敏感性分析所选定,并非基于测试标签估算得出。5毫伏的上限用于检查总残差误差;对于近乎平坦的松弛过程,还需要考虑相对拟合质量。
包含353个区块的诊断样本涵盖了所有30个细胞。它包括早期、中期和晚期检查文件,所选文件中的早期/中期/晚期区块,以及它们的最大残差拟合。这种描述性选择并非旨在估计拟合问题的普遍性。通过[15, 35]秒和[50, 150]秒的更窄边界,以及每个区块50次圆形区块残差自助法重拟合来评估局部敏感性。区块包含六个连续的残差。所得的分位数区间是近似的,并且取决于双指数模型及其边界。它们无法克服结构性不可识别性,也无法提供同时的总体区间。
采样敏感性分析重新计算R0使用第二和第三个静止样本以及一个短的早期窗口线性截距。后者估计第一个记录的静止样本时间点的电压;它并不重建未观测到的切换瞬间。为了进行独立的测量噪声检查,将标准差分别为0.5、1和2 mV的独立零均值高斯电压扰动应用于代表性曲线,同时施加脉冲电流幅值0.5%的电流扰动。每个水平重复五次,共产生5295条扰动记录。重新提取电气描述符并传递给原始的留出预测器;SOH标签保持不变。这些是说明性的模拟,而非源仪器的校准规范。

2.5. 替代学习器与鲁棒性比较

M1–M4特征集定义在第2.3节。其他比较使用了M0(仅包含五个条件变量)、M2A(M1加上Tcha)和M2B(M1加上Tbeg,Tend)。XGBoost、GPR和Ridge在M0–M4中使用了相同的原始行、目标值和五个外部单元格折叠;M2A/M2B则使用XGBoost和Ridge进行评估。每个折叠保留六个单元格,并在24个单元格上进行训练。标识符、检查次数、容量和SOH被排除在输入特征之外。
GPR [46] 使用恒定振幅的 Matérn 核,包含ν=3/2,单一各向同性长度尺度,以及加性白噪声核。输入数据经过标准化处理,目标值经过中心化和缩放,仅使用外部训练数据。核边际似然在最多1500个单元格平衡的训练行上进行优化,仅运行一次 L-BFGS-B,最多60次迭代,且不进行重启。最终的精确 GPR 条件适用于所有外部训练行,所选核函数固定,且目标值经过归一化抖动处理10−8。这种有限的调优预算与 XGBoost 的搜索不同。岭回归 [47] 仅使用训练集标准化,并从10−4,10−3,…,104通过五折内部单元格分组验证来选择其惩罚项。
额外的移除测试掉落R0或Rpr为每个学习者从M1和M4中提取。这些测试使用相应的选定全特征设置进行重新拟合,因此它们评估的是在这些设置下的敏感性,而非具有独立优化超参数的简化模型。质量、边界排除和宽边界XGBoost敏感性同样在选定的主要设置下重新拟合。相比之下,留一老化温度法和留一SOC窗口法XGBoost测试仅使用剩余的训练条件组及其内部电池折叠来选择设置。单独的CC到动态测试在28个CC老化电池上训练M4,并在两个动态电池上进行测试。这些测试评估了在主要电池折叠比较之外的识别和迁移敏感性。
电气特性和容量目标源自同一参考测试协议。电池分离验证防止了对同一留出电池的其他测量值进行训练,但这并不能使数据采集协议变得相互独立。模型并不使用容量或基于目标的代理值作为输入;尽管如此,测试条件与健康状态之间的实验室关联性仍然可以被学习。

2.6. 不确定性与特征归因

数值表格报告了汇总的袋外MAPE、MAE、RMSE,R2以及最大绝对误差(MaxAE)。MAPE为相对百分比;SOH绝对误差以百分点(pp)报告,等于分数尺度误差的100倍。特征集比较图报告了折平均值,这与汇总指标有所区别。SOH分层误差使用低于80%、80–90%、90–100%以及至少100%的区间。
对于不确定性和配对比较,首先在每个单元格内计算指标,然后以相等的单元格权重进行平均。百分位数区间使用2000次全单元格重采样。配对比较使用相同的留出测量标识符;在计算差异之前对敏感性群体取交集。这些区间基于拟合模型,不包括重复训练或选择新实验群体带来的不确定性。奇偶图还显示了分箱平均预测值的细胞自助法置信区间;这些区间并非针对单个预测值的区间。
树路径依赖的TreeSHAP解释结果已在结果部分展示;具体的每折数值见表S11。TreeSHAP提供模型层面的归因[48]。额外的干预式TreeSHAP检查使用32个细胞平衡的训练观测值作为每折的背景。跨算法比较使用相同的规则选择背景观测值,对每个细胞(150行)的五个留出测量值进行解释,包括XGBoost的干预式TreeSHAP、Ridge的线性SHAP,以及使用128个联盟样本且无L1GPR的特征选择。干预式和跨算法的结果与路径依赖式的结果分开报告;GPR的解释是近似的。
对于特征,绝对重要性为,其模型内占比为Ij=n−1∑i|ϕij|。添加输入会改变该分母。仅凭占比无法确定贡献的绝对损失。相关输入使归因更加复杂[100Ij/∑kIk];因此,还报告了皮尔逊/斯皮尔曼矩阵、单特征和联合组置换以及移除/重拟合测试。置换测试每个单元格使用最多40行留出数据,重复五次。TreeSHAP的抗性-温度交互作用属于探索性模型摘要,而非因果或机制效应。49]; Pearson/Spearman matrices, single-feature and joint-group permutation, and removal/refit tests are therefore also reported. Permutation uses up to 40 held-out rows per cell with five repetitions. TreeSHAP resistance–temperature interactions are exploratory model summaries, not causal or mechanistic effects.
计算是在配备AMD Ryzen 7 9700X处理器和64 GB内存的计算机上进行的。并行处理设置记录在补充方法,第S1.1节。计时包含并发工作负载,并非专门的嵌入式BMS基准测试。

3. 结果:ECM参数老化分析

对识别出的参数与其对应的SOH值进行了考察。分析首先考虑了与电阻相关的参数,随后是时间常数和V∞。接着使用基于XGBoost的特征相关性作为补充分析,以确定每个参数对SOH估计的贡献强度。

3.1. 电阻参数与脉冲-静止指标

电池1(C01B02;25 °C,0–100% SOC)和电池16(C16B02;45 °C,50–80% SOC)展示了不同的测试方案和参考测试数量。图4, 图5, 图6和图7解析它们在不同工作点下的参数特性;对所有30个电池进行检查级汇总图S1–S7评估这些趋势的更广泛一致性。这两个示例并非具有统计代表性的样本。
图4。的变化R0和Rpr在V∞不同SOH水平下。(–电池1;() R0–单元16。是拟合渐近线。() R0–电池1;(V∞–单元16。检查次数和SOH值标识了与面板(相同的参考测试c) Rpr–Cell 1; (d) Rpr–Cell 16. Checkup numbers and SOH values identify the same reference tests as panels (a,b).
图5。的变化R1和R2在V∞不同SOH水平下。(–电池1;() R1–单元16。是拟合渐近线。() R1–电池1;(V∞–单元16。检查次数和SOH值标识了与面板(相同的参考测试c) R2–Cell 1; (d) R2–Cell 16. Checkup numbers and SOH values identify the same reference tests as panels (a,b).
图6。的变化τ1和τ2在V∞不同SOH水平下。(–电池1;() τ1–单元16。是拟合渐近线。() τ1–电池1;(V∞–单元16。检查次数和SOH值标识了与面板(相同的参考测试c) τ2–Cell 1; (d) τ2–Cell 16. Checkup numbers and SOH values identify the same reference tests as panels (a,b).
图7。估计V∞曲线与测量序列(非SOC)在不同SOH水平下的对比,针对()电池1和()电池16。b) Cell 16.
老化行为R0, R1, R2和Rpr在不同SOH水平下,对V∞范围进行了考察。
图4显示了R0和Rpr为1号电池和16号电池获取的曲线。对于1号电池,随着SOH的降低,R0的增加变得明显。在最高SOH水平下,电阻通常在0.026到0.032之间Ω。随后的参考测试显示数值逐渐升高,并且R0达到约0.036–0.044Ω在最低SOH水平下。尽管沿轴线出现了一些局部变化,V∞但随着老化,电阻特性曲线依然保持清晰分离。
电池16在更多参考测试中表现出相同的行为。随着SOH从1.0148下降到0.7944,R0曲线逐渐向上偏移。老化程度之间的差异在大部分V∞范围内清晰可见,并且尽管在不同电压水平上存在局部变化,这种差异依然持续存在。
R0也随之变化V∞并且应结合电池的工作点进行综合解读。
在以下情况下也观察到了类似的差异Rpr。对于电池1,最高SOH曲线在大部分研究范围内具有最低的电阻值。随着SOH降低,其他曲线向上移动。Rpr曲线在整个V∞范围内并不平坦。在3.6–3.7 V左右观察到局部变化,随后在3.9–4.0 V处出现更广泛的增加。然而,不同老化程度之间的相对变化仍然明显。
这种行为在16号电池的结果中更为明显。曲线的Rpr形状在参考测试中相似,而其绝对值随着SOH的降低而增加。在3.5 V附近观察到下降,随后在3.65–3.75 V附近出现另一个局部变化。这些曲线随后上升,在3.9–4.0 V附近形成一个宽峰。随着曲线向上平移,这些局部特征在不同的老化阶段依然可见。仅凭这些曲线特征无法确定观察到的Rpr趋势背后的唯一机制。持续的V∞依赖性表明Rpr也反映了电池的工作状态。
如图所示图5,R1的行为更加不规则。对于电池1,不同SOH水平的曲线在许多点上重叠和相交。大多数R1值保持在约0.015Ω以下,但在整个范围内存在一些局部增加V∞范围。在较高的V∞数值上也观察到了明显的差异。这些变化并未随着SOH的降低而以一致的顺序发生。
电池16也呈现出类似的趋势。R1曲线在较宽的电压范围内波动剧烈且相互重叠。在3.9–4.0 V区域,部分参考测试显示出局部上升,但峰值大小并未随SOH系统性变化。在此区域之外,不同老化程度之间的差异也远小于观察到的R0和Rpr.
强烈的V∞依赖关系也可见于R2。对于电池1,可以观察到两个明显的区域。第一个区域出现在3.6–3.65 V左右。随后在3.85–3.95 V左右出现更大的增幅,其中R2在某些参考测试中超过了0.06Ω。在此区域之后,随着增加,电阻急剧下降V∞峰值在不同老化程度下大致出现在相似的电压处,但曲线并未根据SOH呈现出一致的排序。
对于16号电池,R2也随之发生剧烈变化V∞。在几次参考测试中,在3.8–3.9 V左右观察到明显的峰值。峰值大小随老化程度的不同而变化,但并未随SOH呈现持续的增加或减少趋势。在较高的V∞值下,曲线再次下降,并趋于相对较低的电阻水平。
总体而言,R0和Rpr随着SOH的降低,表现出最明显的系统性电阻增长。R1和R2表现出更多的局部变化以及老化程度之间的重叠,表明对工作点的依赖性更强。
所有30个电池组的检查中值汇总支持了整体的衰减趋势:电池组内与SOH的Spearman相关性中位数为−0.999对于R0和−1.000对于Rpr,且每个电池组均呈现负相关。每个系数基于每个电池组5-17对检查级数据(中位数为13);对于Rpr,有18个电池组的排名完全相反(ρ=−1),给出跨单元的中位数−1.000。这描述了检查中位数的单调排序,并不意味着单个放松测量值之间存在完美的线性关系。对于R1和R2,中位数系数为−0.816和−0.643;其中一个单元是非负的R2系数。这些摘要汇总了不同的运行点,并非在匹配的瞬时SOC或温度下的估计值。图S1–S4和表S15展示了电池级的覆盖范围和汇总统计数据。
采样约定也会影响R0。使用第二或第三个静止样本而非第一个样本,会使其中值增加2.960或4.956 mΩ(中值相对变化分别为9.35%和15.16%)。早期窗口的短截距会使其改变0.444 mΩ(1.45%)。该截距是在第一个记录的静止时间点评估的,而非独立观察到的切换瞬间。

3.2. 时间常数与拟合渐近电压

时间常数τ1和τ2被考察V∞范围进行了考察。τ1代表拟合较快的弛豫分量,而τ2代表较慢的分量。V∞从相同拟合中获得的值也得到了评估。这里,V∞是从前300秒的弛豫中估计得出的。
图6显示了τ1和τ2电池1和电池16的特性曲线。对于电池1,τ1在10到34秒之间波动。曲线显示出频繁的局部波动,并且在大部分V∞范围内相互交织。几项参考测试在3.9–4.0 V左右给出了接近10秒的数值,而最高SOH曲线在4.0 V附近显示出局部增加至约33秒。然而,这种差异并未在整个电压范围内保持。没有一致的增加或减少τ1随着SOH降低而观察到。
电池16也观察到了类似的模式。大多数τ1数值介于约10到25秒之间,局部峰值达到约30–39秒。几条曲线在3.9–3.95 V左右显示出明显的增加,但峰值大小并未按SOH排序。参考测试之间的重叠仍然很大,包括在更高的V∞这些值中,许多曲线返回到较低的时间常数。
这些τ2曲线的变化范围更广。对于电池1,数值范围大约在50到200秒之间。几条曲线在3.8–3.9 V左右达到200秒,随后在3.95 V处下降。在更高电压下还会出现额外的局部上升。尽管某些特征在相似的V∞数值处出现,但曲线在老化过程中并未保持一致的顺序。对于电池16,τ2在几乎整个拟合范围内波动,SOH水平之间频繁交叉。因此,不存在与R0和Rpr观察到的情况相当的明显分离。
这些结果也应结合拟合边界来考虑。识别过程限制在τ110–40秒τ2和τ140–200秒。一些τ2估计值达到了下限,而10]。拟合边界处的值不应被解释为确定的物理饱和。
在12,643次主要测量中,τ1在1102(8.72%)和76(0.60%)个案例中达到其下限和上限;τ2在12(0.09%)和2067(16.35%)个案例中达到其下限和上限。总计有3245次测量(25.67%)至少达到一个边界。电压拟合的RMSE中位数为0.387 mV,中位R2数为0.99615;最大RMSE为0.972 mV,最小R2为0.92685。大多数窗口包含31个样本。良好的电压重建并不能建立精确或无约束的支路参数。分布、拟合示例和边界敏感性见图S8–S9和S12以及表S8–S9和S16.
在353个诊断段中,中位数近似95%置信区间宽度分别为2.373 mΩR1,5.205 mΩR2,7.88 sτ1,83.03 sτ2,以及1.949 mVV∞. M4 XGBoost 的 MAPE 为 1.0498%(带更宽的边界),在 9398 行的无边界子集上为 1.0754%,在 12,596 行的质量筛选子集上为 1.0337%。这些敏感性分析使用了不同的拟合边界或测量子集;配对比较则使用共同的测试 ID (表S6).
全电池检查的中值轨迹也显示时间常数的一致性较弱:20个电池与SOH呈负相关,15个电池呈负相关τ1相关性,中值系数为τ2图S5–S6和表S15−0.207和−0.012 (图S16). 显示了30个细胞各自的分布,并且和τ1表S20τ2报告了相应的细胞特异性边界计数。这些分布汇总了每个细胞的观测检查和运行点,因此描述的是采样覆盖范围,而非匹配条件下的衰老效应。Table S20 reports the corresponding cell-specific bound counts. These distributions pool each cell’s observed checkups and operating points and therefore describe sampling coverage rather than matched-condition aging effects.
图7展示了估计的V∞值与测量序列的关系。对于1号电池,曲线起始于4.16 V附近,并随着放电序列的进行而下降。在初始测量期间,它们保持接近。在随后的序列大部分时间里,最高SOH曲线位于老化电池曲线之上。中间老化程度的曲线大部分重叠,而最低SOH曲线在约第20次测量后,向更低电压方向偏离得更为明显。不同参考测试之间的可用测量次数也存在差异。
对于16号电池,曲线呈现类似的下降趋势,起始电压接近4.16 V。在序列中间部分,它们的差异变得更加明显,较低SOH的曲线通常位于较高SOH曲线下方。然而,这种排序并非在每次测量中都保持一致,几条曲线在序列末尾发生了交叉。终端电压和序列长度在不同测试之间也存在差异。
横轴表示图7保留测量值的序列,而非统一的SOC刻度。因此,不能假设具有相同序列号的点代表不同老化阶段的相同SOC。因此,观察到的分离应被解释为沿测试序列估计电压曲线的变化,而非V∞在固定SOC下发生偏移的直接证据。在预测分析中,拟合渐近线提供了工作点背景;图S7中的检查中值轨迹具有相同的未匹配SOC解释。
总体而言,τ1和τ2这两款电池未表现出明显的单调老化趋势。估计的V∞曲线在测量序列的部分阶段表现出更系统的分离,尽管其解释需要考虑在放电序列中的位置。在接下来的特征相关性分析中,将探讨这些参数与电阻参数结合使用时是否能提供有用的信息。

3.3. 基于XGBoost的特征相关性

为了补充基于参数的老化分析,使用独立的XGBoost模型评估了ECM相关特征对SOH估计的相对贡献。XGBoost此前已被用于基于特征重要性和SHAP的电池SOH估计分析[38]。仅包含ECM的配置M1使用了七个电学描述符,并在...中定义了电池间验证第2.3节.
仅ECM模型获得的平均RMSE为0.02463 ± 0.00061,MAPE为2.014 ± 0.064%。相应的平均R2值为0.849 ± 0.011。全局折外结果与折平均值非常接近,RMSE为0.02464,MAPE为2.014%,且R2为0.850。这些结果表明,尽管ECM参数的预测能力也会受到运行条件变化的影响,但仅ECM参数本身就包含大量与电池健康状态相关的信息。
首先使用从XGBoost模型中获得的归一化增益值来评估特征相关性。如图8所示, R0具有最高的平均增益,值为0.282,紧随其后的是Rpr,值为0.275。V∞是第三重要的特征,平均增益为0.212。R2, τ2, R1和τ1明显较低,平均增益值低于0.075。
图8。基于细胞级五折交叉验证获得的ECM参数的归一化XGBoost增益重要性。误差棒表示五个折叠的标准差。ECM代表等效电路模型,XGBoost代表极端梯度提升。
从增益分析中获得的排名与第3.1节和3.2节中讨论的参数趋势一致。. R0和Rpr在直接参数分析中显示出最明显的与年龄相关的变化,而R1和R2表现出更强的局部变化以及不同SOH水平之间的重叠。V∞也具有相对较高的贡献,这表明在使用ECM参数进行SOH估计时,运行点仍然非常重要。
该协议具有描述性:增益和SHAP值是基于预测模型计算得出的,并不能独立识别参数趋势的物理原因。表S4(增益)和表S11(路径依赖SHAP)给出了作为基础的折叠值图8和图9.
图9。仅ECM的XGBoost模型的平均绝对折外SHAP值。误差棒表示五个留出折的标准差。SHAP代表SHapley Additive exPlanations;数值以健康状态(SOH)单位表示。
在本研究中,仅针对每个外部折叠的留出样本计算了SHAP值。如图9所示,SHAP结果显示出与增益分析相同的特征顺序。R0具有最大的平均绝对SHAP值,为0.03537,其次是Rpr为0.01456,以及V∞在0.01318处。这些值下降到0.00696,对于R2,0.00548,用于τ2,0.00425,用于R1,以及0.00347,用于τ1。这两种相关性度量之间的一致性进一步支持了R0和Rpr在ECM相关输入中的主导贡献。
图10展示了单个特征值与其SHAP贡献之间的关系。较高的R0值主要与负的SHAP值相关,而较低的R0值则对预测的SOH产生正向贡献。在Rpr中也观察到了类似的趋势。这种行为与随着SOH降低而观察到的这些电阻相关参数的增加相一致。V∞在两个方向上都显示出更宽的分布,这与其对电池工作点的依赖性相一致。其余参数的分布则更窄,特别是对于R1和τ1,因为它们对模型的整体贡献较低。
图10。使用五个电池级折叠的留出样本,对仅包含ECM的XGBoost模型进行折外SHAP汇总。
综合来看,XGBoost和SHAP分析支持了通过直接检查ECM参数得出的趋势。R0提供了最强的健康相关信息,而Rpr也做出了实质性贡献。V∞这依然很重要,因为细胞的电学响应取决于其工作点。相比之下,当考虑整个数据集时,单个RC支路参数提供的信息较弱且分布更广。

3.4. 运行条件对特征相关性和SOH估计的影响

图11展示了四个特征集的MAPE结果。仅ECM模型产生的平均MAPE为2.014%。加入温度变量后,该值降至1.444%,相对于M1降低了28.3%。ECM + SOC Window模型实现了1.688%的MAPE,改善幅度较小,为16.2%。当同时包含温度和SOC信息时,完整模型实现了最低的MAPE,为1.023 ± 0.085%。这比仅ECM模型降低了49.2%。
图11。仅ECM、ECM+温度、ECM+SOC窗口以及全特征集所获得的平均MAPE对比。误差棒表示五折交叉验证的标准差。MAPE表示平均绝对百分比误差,SOC表示荷电状态。
均方根误差(RMSE)也呈现出类似的模式,如图12所示。当加入温度特征时,平均RMSE从仅使用ECM模型的0.02463降至0.01671。仅添加SOC窗口则使RMSE降至0.02255,降幅较小。完整模型达到0.01226 ± 0.00114的RMSE,相比仅使用ECM的情况提升了50.2%。平均R2也从M1的0.849增加到M2的0.930、M3的0.873和M4的0.962。因此,从温度变量获得的改进大于仅从SOC窗口变量获得的改进。然而,当两组变量同时包含时,性能达到最佳。
图12。使用仅ECM、ECM+温度、ECM+SOC窗口和完整特征集获得的平均RMSE对比。误差棒表示五折交叉验证的标准差。RMSE表示均方根误差;数值以SOH单位表示。
这些固定折对比量化了运行条件输入对预测的贡献,但未分离其因果效应。
表5展示了数值对比,包括所有四种特征配置和备选学习器。其汇总指标与五折交叉验证的平均值略有不同;折叠值和误差棒在图11中报告和图12和表 S3. 仅包含条件的 XGBoost 模型 M0 的 MAPE 为 5.1115%,因此仅凭条件标签无法替代电气测量。
表5。基于30个电池的相同12,643次测量结果的细胞不重叠样本外性能。
使用XGBoost时,仅添加老化温度标签(M2A)的MAPE为1.6313%,而仅添加两个测量温度(M2B)的MAPE为1.4691%。包含所有三个温度时,MAPE为1.4444%。两种信息都有所贡献,且在这些对比中,测量温度输入对观察到的改进贡献更大。然而,数据集中的老化温度和测量温度是相关的;这些消融实验无法识别它们各自的因果效应。老化标签记录的是老化协议,而非预测时的电池温度。
从M1到M2、M3和M4的配对平均电池MAPE改进分别为0.6265、0.2838和1.0687个百分点,95%电池自助法置信区间分别为[0.4876, 0.7689]、[0.0850, 0.4843]和[0.8608, 1.2862]。对电池进行等权重处理使得这些估计值与汇总MAPE的差异有所不同。它们支持了在当前电池群体中添加条件信息所带来的观察优势。
对于M4,GPR的MAPE为1.1209%,RMSE为1.373个百分点,并且R2=0.9535。Ridge的MAPE为3.2377%,RMSE为3.758个百分点,并且R2=0.6515。条件信息对GPR和Ridge也很有用。在测试设置下,这两个非线性学习器的误差低于Ridge。XGBoost与GPR在M4上的均值MAPE配对差异为−0.1280个百分点(95%置信区间[−0.1865,−0.0656]);XGBoost与Ridge之间的相应差异为−2.1907百分点 ([−2.4896,−1.8747]). 观察到的差异适用于指定的调优程序。
提供了分箱平均预测值的M4奇偶校验图,并附带细胞自助法置信区间,见图S13。对于XGBoost,RMSE在SOH低于80%时为1.585 pp,80–90%时为1.155 pp,90–100%时为1.241 pp,100%及以上时为1.322 pp(测量值分别为871、6536、4269和967)。表S12提供了所有分层指标;较窄的目标范围可能会导致层内出现负值R2即使绝对误差很小。
SHAP分析识别了对完整模型预测有贡献的输入变量。如图13所示, R0在引入运行工况变量后,仍是最具影响力的特征,其SHAP绝对值均值为0.03583。紧随其后的是Tbeg, Tend和V∞,其均值分别为0.01697、0.01643和0.01567。Rpr仍具有相关性,SHAP绝对值均值为0.00794,而Tcha贡献了0.00725。两个SOC窗口变量的贡献较小但仍可见,数值约为0.005。
图13。包含ECM参数、温度变量和SOC运行范围信息的完整XGBoost模型的平均绝对袋外SHAP值。误差棒表示五个留出折叠的标准差。
全模型SHAP分布在图14中也显示,R0在引入额外变量后,其影响依然保持一致。高R0值主要与预测SOH的降低相关,而较低值通常具有正向贡献。类似的行为在Rpr温度变量的SHAP分布也显示出系统性变化,表明温度提供了无法仅靠ECM参数完全表征的信息。这些关系在此被解释为基于模型的关联,并不代表具体的退化机制。
图14。包含ECM、温度和SOC窗口特征的完整XGBoost模型的袋外SHAP摘要。
ECM参数相对相关性的变化在图15中进行了直接比较。在仅包含ECM的模型中,R0约占归一化平均绝对SHAP相关性的42.5%。在完整模型中,该值下降至30.9%,尽管R0仍是主要输入。相应的贡献为Rpr从17.5%下降到6.8%,而V∞变化较为温和,从15.8%降至13.5%。在...中观察到更大幅度的下降R2和τ2,其归一化贡献分别从约8.4%和6.6%下降至0.8%和0.5%。
图15。仅ECM(M1)和全模型(M4)XGBoost模型中ECM参数的路径依赖平均绝对SHAP相关性比较。()折内归一化份额,以百分比显示:M1分母包含7个输入,M4分母包含全部12个输入。()绝对值大小采用相同的SOH百分点量程,通过将SOH单位值乘以100获得。这些数值是五个电池折叠的算术平均值(表S11)。() 避免将较小的份额误读为较小的绝对贡献。). Different denominators in (a) prevent interpreting a smaller share as a smaller absolute contribution.
这一对比表明,ECM参数并非独立于运行条件发挥作用。当明确包含温度和SOC信息时,分配给若干RC相关参数的重要性会降低。特别是,R2和τ2相关性的降低表明,在仅包含ECM的模型中,这些参数所代表的部分信息与运行条件的影响存在重叠。相比之下,R0在两种情况下都是最具影响力的特征。结合其在老化过程中的系统性增加,这一结果支持了R0是当前数据集中最一致的健康敏感ECM参数。Rpr同时也保留了可测量的健康相关信息,尽管在已知运行条件时,其相对贡献会降低。
绝对平均值|SHAP|在图15b中进行了比较R0从M1的0.03537 SOH单位变化到M4的0.03583,尽管其归一化份额有所下降。相反,Rpr从0.01456变为0.00794。因此,仅凭分母的变化无法确定是否存在信息损失。表S11报告路径依赖值;表S4和图S14分别报告干预比较和共同子集比较。
在通用的150行子集上,R0在所有三个M4学习器中具有最大的平均绝对归因(图S14b)。移除R0并重新拟合每个模型,使XGBoost的M4 MAPE从1.0235%增加到1.1917%,GPR从1.1209%增加到1.2448%,Ridge从3.2377%增加到3.4110%。因此,其相关性并非仅仅是XGBoost的增益排名效应。移除Rpr产生更小的变化:M4 MAPE 分别变为 1.0597%、1.1400% 和 3.2344%。该指标在测试设置下为非线性模型增加了一些信息,但其边际价值有限,且在不同学习器上的表现并非一致为正。
图S14b还展示了其他输入的重要性在三个M4模型中的变化情况。在ECM衍生输入中,V∞和Rpr在XGBoost和GPR中均排名第二和第三,而Ridge则赋予了更高的重要性给R1和τ1。R1和R2变化还包括:R1在XGBoost和Ridge中具有更大的平均绝对贡献,而R2在GPR中更大。两个时间常数的贡献都小于R0在所有三个模型中;τ1超过τ2在XGBoost和Ridge中,而它们的GPR归因几乎相等。测量温度在每个模型中仍是三个最具影响力的输入之一,但其顺序有所不同。老化-温度标签和SOC窗口限制也具有模型依赖的贡献,其中较低的SOC限制在Ridge中的贡献非常小。因此,其显著性R0这些模型之间的一致性是存在的,但完整的特征排名却并非如此。这些描述性比较针对的是包含150个测量值的共同子集以及所说明的解释方法;排名上的微小差异,尤其是对于近似GPR解释而言,不应被解读为统计学上确定的或机制上的差异。
合并后的斯皮尔曼相关系数分别为R0和Rpr和Tbeg和Tend (图S15). 表S14和图S10报告置换敏感性和抗性-温度依赖性。在常用的150行子集上,平均绝对配对总树交互作用为R0在Tcha,Tbeg,Tend0.475、0.698和0.714 pp;相应的Rpr值为0.096、0.174和0.217 pp。配对总和是symmetric交互矩阵中非对角线元素的两倍。这些数值描述的是拟合模型,而非因果温度效应。

3.4.1. 超越观察到的条件覆盖的迁移

完全排除一个老化温度组会将XGBoost M4的MAPE提高到6.7007%,R2=−0.4963。排除一个SOC窗口会使M4的MAPE达到2.6976%,而M1为2.6111%。因此,限制级条件输入并不能保证外推能力。表S17将这些测试与识别敏感性区分开来。
仅在28个CC老化电池上进行训练,并在两个动态电池上进行测试,XGBoost的M4 MAPE为3.1904%,GPR为4.6805%,Ridge为3.5432%。表S7报告分别对这两个电池单元进行了测试,并将该设计与普通分组折叠测试结果进行了对比。这些测试涉及对动态老化电池的实验室参考测量,而非实际驾驶过程中的无限制测量。由于仅使用了两个此类电池单元,其结果仅能作为有限的协议迁移检查,而非对实际应用性能的群体水平验证。

3.4.2. 噪声与计算

在353个分段的诊断子集上,XGBoost M4在未添加噪声时的均方根误差(RMSE)为1.763个百分点。模拟的0.5、1和2毫伏电压噪声,连同所述的电流扰动,分别将RMSE增加到1.833、2.001和2.405个百分点。平均绝对预测偏移分别为0.442、0.688和1.081个百分点。噪声效应是针对相同代表性测量值的未扰动预测进行评估的;未采用完整主要群体的较低误差作为基准。表S13包含了所有三种学习器和所有噪声水平。
表 S18报告了训练和查询时间。单个输入的预测时间中位数分别为:XGBoost M4 为 0.477 毫秒,GPR M4 为 0.547 毫秒,Ridge M4 为 0.216 毫秒;拟合/选择时间中位数分别为 222.015、8.406 和 0.422 秒。搜索预算有所不同,且这些桌面端计时包含了并发工作。GPR 核函数调优使用有限的子集,而最终的精确条件化则使用所有外部训练行。输入获取仍需要合适的脉冲和大约 300 秒的静置时间。

4. 讨论

以下讨论将观察到的参数趋势与互补的XGBoost和SHAP结果联系起来,并考虑它们对SOH估计的影响。

4.1. 双RC等效电路模型参数的老化趋势

在...中获得的参数趋势第3节表明电池老化在双RC ECM的所有组件中并非均匀反映。在电阻相关参数中,R0和Rpr随着SOH降低表现出最系统性的变化。随着电池老化,它们的分布曲线通常向更高电阻水平偏移,而曲线的整体形状仍取决于V∞这表明这些参数包含与老化相关的信息,但并非独立于瞬时工作点。直接参数分析清楚地展示了这两个示例电池的这种行为,而R1和R2在整个V∞范围内显示出更大的重叠和更强的局部变化。
的增加与在不同SOC和温度条件下观察到的电阻增长是一致的[R0]。其绝对值还取决于静置样本的选择(25,26),因为中位数的10秒记录间隔包含了部分早期松弛反应。因此,在比较不同年龄阶段的这一指标时,保持一致的采样惯例至关重要。3.1节), because the median 10 s recording gap includes part of the early relaxation response. A consistent sampling convention is therefore essential when comparing this indicator across aging levels.
Rpr描述了从最后一次读档脉冲样本到295–300秒平均静止电压的电压变化,并按平均脉冲电流幅值归一化。其随老化而上升的趋势与持续的V∞-依赖型特征共存。极化相关变化可能受动力学和传输限制的影响[23,24];然而,该指标也包含了采样的快速响应贡献。因此,其趋势不能被解释为极化增长的独立测量,也不能作为独特退化机制的证据。
老化信息在R1和R2中不太直观,因为它们的分布图在整个V∞范围内显示出交集和局部峰值。这种行为与RC支路对SOC和电化学特性的不同敏感性一致[23,28]。它们缺乏简单的单调趋势并不意味着与老化无关;它们的敏感性与工作点耦合得更紧密。
从物理背景来看,均匀的界面膜和线性化的电荷转移响应可以通过以下近似关系来描述
Rfilm≃δκAs,Rct≃RgTneFi0As,τct=RctCdl.
此处,表示薄膜厚度,电导率,活性面积,交换电流密度,电荷转移数,δκAsi0neF法拉第常数,以及燃料费常数。薄膜生长或接触变化会增加电阻;动力学改变和双电层电容会改变更快的有效RC响应。实验中也观察到了与SEI相关的容量损失及其对SOC的依赖性[Rg2]。这些关系提供了背景信息,而非对测量值的唯一分解.R0
特征长度尺度的扩散时间L以及固态或电解质扩散率D按比例缩放
τD∼L2D(T),D(T)=Drefexp−EaRg1T−1Tref.
在固定的几何形状和状态下,具有近似的依赖关系。电化学到ECM的研究表明了动力学和传输如何影响不同的有效电路量[lnτDEa/(RgT)23,24]。尽管如此,并未唯一地归因于电荷转移,也没有关于扩散:多个过程可能对每个有限窗口分支有所贡献。由于测量温度、老化历史和SOC未被独立控制,因此未估算活化能。慢成分的宽区间以及估计值达到边界的频率进一步证实了这一局限性。R1,τ1R2,τ2
早期的基于弛豫的研究也使用了若干电阻相关量进行健康评估。Qian等人将欧姆极化、活化极化和浓差极化对SOH评估的贡献进行了分离[15]。这些参数的定义相关,但并不被假定在数学上完全一致。本分析将直接观测到的参数趋势与其在SOH估计模型中的相关性进行了比较。
因此,识别出的各项指标应被视为具有不同灵敏度和互补信息的健康指标。使用简化ECM和更广泛健康指标集的研究同样表明,各指标的实用性存在差异[32,33]。在本数据集中,R0提供了最清晰的直接老化趋势,Rpr捕捉到了额外的整体弛豫行为,而其余的RC参数则描述了更局部的动态特性。

4.2. 温度和运行条件的影响

运行条件影响ECM参数与SOH之间的关系。消融结果量化了在固定电池级评估下,可用的温度和SOC窗口信息对预测的提升程度,而未确定每个参数变化的原因。
温度输入带来的更大改善与电阻和极化相关参数的热依赖性一致[25,26]. 相似的参数值可能出现在不同的温度和SOH组合中,因此测量温度为解释电学描述符提供了背景信息。独立的M2A/M2B比较区分了老化-温度标签和测量电池温度的预测贡献,而它们的关联性则阻碍了因果分解。
SOC窗口限制描述的是运行历史,而非弛豫测量中的瞬时SOC。因此,它们的作用与拟合电压或测量温度不同。仅条件M0的结果表明,这些标签无法取代电学测量;结合这两类信息源的益处取决于运行条件的覆盖范围,正如留出温度和SOC窗口测试所证明的那样。

4.3. ECM老化行为与XGBoost特征重要性之间的关系

直接老化分析与基于XGBoost的特征相关性结果为同一参数行为提供了两种互补的视角。参数曲线显示了识别出的ECM量如何随SOH和工作点变化,而增益和SHAP分析则表明当这些量被共同评估时,它们对SOH估计的贡献强度。
该一致性在以下方面最为显著:R0:其阻抗随老化程度的增加而上升,且具有很高的预测相关性。它在通用比较子集上的领先归因以及移除/重拟结果在XGBoost、GPR和Ridge模型中均保持一致。其他参数的排名随学习器而变化,表明全局重要性既反映了可用信息,也反映了用于整合这些信息的模型。
V∞提供了一种不同类型的信息。它是仅ECM模型中第三重要的ECM相关特征,但它不是一种电阻型老化变量。其相关性与其作为解释其余参数的运行点背景的作用是一致的。基于序列的比较在图7中并未建立V∞在相同SOC下的偏移。
以下因素的全局相关性较低:R1, R2, τ1和τ2这与其在不同老化阶段表现出的更强局部变化和重叠特征相一致。这并不意味着它们与老化无关。正如ECM参数的SOC和温度敏感性所预期的那样,它们的贡献可能取决于运行区域[25,28].
添加运行变量改变了分配给若干RC相关特征的相关性,特别是R2和τ2。这与相关输入之间存在重叠信息的情况相一致。在 图15中进行了直接比较区分归因强度的变化与因更大特征集归一化引起的变化。
直接老化敏感性和预测特征相关性是互补但非等同的量。特征重要性不应被解释为退化机制的直接证据。基于SHAP的电池研究提供了预测关联的模型级解释[38,39]; 这些需要单独的物理证据来进行机制解释。

4.4. 对SOH估计的启示

在当前数据集中,R0提供了最一致的直接老化信息,而Rpr和V∞则提供了补充信息。因此,选择指标时需要同时考虑其健康敏感性和测量时的运行条件。
从单一电阻或时间常数到SOH的直接映射在不同SOC和温度条件下可能不可靠。将ECM量与可用运行信息相结合,为考虑这些依赖关系提供了一种方法。当前结果支持这种方法在所测试的电池和协议中的应用;将其推广到其他化学体系和现场条件仍需评估。
仅使用短放电脉冲后前300秒的弛豫数据进行参数辨识。以往研究已从数十秒到数分钟的间隔中提取出有用的老化信息[17,20,22]。这证明了短休息测量在周期性BMS健康评估中的潜力。合适的时间长度仍取决于具体应用。辨识出的RC参数会随脉冲持续时间和弛豫窗口长度而变化[10].
对于周期性评估,有效的保障措施包括一致的脉冲定时、同步的电流/电压采集、记录的静置窗口、实测温度补偿,以及针对拟合不良、活动边界和超出训练范围条件的标记。M4假设老化温度和SOC窗口标签是已知的;变化的场历史可能无法简化为这些固定标签。留出条件和动态电池的结果表明,这种迁移需要单独评估。在此,XGBoost估计SOH以比较不同特征集提供的信息;部署时需要在预期的采集和运行条件下进行验证。
两个电池的特性曲线由检查中值轨迹和所有30个电池的电池内汇总数据补充而成(图S1–S7)。这些额外的摘要仍无法匹配检查时的瞬时SOC和温度。所有观察均涉及一种LG HE4电池类型和实验室参考测量值。该分析未包含跨化学体系、电池规格、外部数据集或无限制实际驾驶条件的独立验证。Manfo和Laaksonen讨论的橄榄石磷酸盐正极化学体系之间的差异,进一步说明了在迁移前进行特定化学体系验证的必要性[50].

5. 结论

在示例曲线中,两个RC等效电路模型(ECM)的量对老化表现出不同的敏感性。R0与SOH的下降表现出最清晰且最一致的关系,并且Rpr也表现出与老化相关的系统性增加。R1, R2, τ1和τ2随工作点变化更为剧烈,且在示例曲线中与SOH之间未表现出简单的单调关系。
所有30个细胞的XGBoost和SHAP结果与主要直接参数观测结果一致。在仅包含ECM的模型中,R0是最具影响力的特征,其次是Rpr和V∞。其折外MAPE约为2.014%,且R2= 0.850。全特征集实现了约1.023%的折外MAPE,其中R2= 0.963。单独添加时,温度比SOC窗口信息提供了更大的改善。四种受控配置还表明,运行条件信息改变了几个RC相关量的表观相关性。直接老化敏感性和预测特征相关性是电池健康信息的互补但非等同的衡量指标。
GPR和Ridge的比较表明,R0的显著性在所有测试的学习器中均有体现,而完整的特征排名则取决于具体模型。采样分辨率和拟合边界限制了物理层面的解释,且留出条件测试表明,观察到的准确率并不能证明其可迁移至未见过的老化条件。结果支持在测试的LG HE4电池群体中,将ECM健康指标与运行信息结合起来进行解释。

补充材料

以下支持信息可下载自:https://www.mdpi.com/article/10.3390/batteries12110442/s1. 表S1:细胞与折叠背包。表S2:全部44种模型场景及汇总的留出指标。表S3:每个留出折叠中的原始XGBoost指标。表S4:特定折叠的XGBoost增益与留出干预TreeSHAP值。表S5:原始四种配置中选定的外层折叠XGBoost超参数。表S6:MAPE的配对细胞自助法差异(A减B)。表S7:两种动态老化细胞的独立结果。表S8:主要群体中的分布。表S9:353个代表性分段的近似约束残差自助法区间宽度。表S10:按外部折叠划分的附加模型设置。表S11:M1和M4的原始路径依赖XGBoost解释。表S12:按参考SOH区间划分的M4误差。表S13:相同353个代表性分段上的测量噪声敏感性。表S14:M4边缘和联合组置换敏感性。表S15:检查中位数特征与SOH之间的描述性单元内相关性。表S16:默认边界下拟合时间常数的发生率(12,643次主要测量)。表S17:敏感性和迁移测试。表S18:M4的记录桌面计时(五次外部折叠的中位数)。表S19:XGBoost留出干预TreeSHAP量级和模型内份额。表S20:未改变的主要群体中特定单元的拟合边界发生率。条目为计数(单元内百分比);是测量次数,而非独立电池数量。图S1:检查中值与所有30个电池的SOH对比。连线连接观测点;显示完整的C/B电池标识符。运行点在瞬时SOC或温度上未匹配。这些是描述性轨迹,而非因果老化估算。图S2:检查中值R0与所有30个电池的SOH对比。连线连接观测点;显示完整的C/B电池标识符。运行点在瞬时SOC或温度上未匹配。这些是描述性轨迹,而非因果老化估算。图S3:检查中值R1与所有30个电池的SOH进行对比。连线连接观测点;显示完整的C/B电池标识符。运行点在瞬时SOC或温度上不匹配。这些是描述性轨迹,而非因果老化估计。图S4:检查中位数R2与所有30个电池的SOH进行对比。连线连接观测点;显示完整的C/B电池标识符。运行点在瞬时SOC或温度上不匹配。这些是描述性轨迹,而非因果老化估计。图S5:检查中位数Rpr与所有30个电池的SOH对比。连线连接观测值;显示完整的C/B电池标识符。运行点在瞬时SOC或温度上不匹配。这些是描述性轨迹,而非因果老化估计。图S6:检查中位数τ1与所有30个电池的SOH对比。连线连接观测值;显示完整的C/B电池标识符。运行点在瞬时SOC或温度上不匹配。这些是描述性轨迹,而非因果老化估计。图S7:检查中位数τ2与所有30个电池的SOH进行对比。连线连接观测值;显示完整的C/B电池标识符。工作点在瞬时SOC或温度上不匹配。这些是描述性轨迹,而非因果老化估计。图S8:在353段诊断样本中,涵盖低和高残差RMSE的代表性双指数拟合。较大残差的示例仍为亚毫伏拟合;较大残差表示相对于此数据集的拟合度较差,而非优化失败。图S9:默认和更宽边界下的时间常数分布,以及排除达到边界的测量值后的分布。T1和T2表示V∞和τ1必须区分更广泛范围内的种群变化和转变。图S10:探索性留出XGBoost抗性-温度依赖性。抗性轴对应于τ2和R0SHAP值以SOH百分点表示;颜色显示测量初始温度。这些关联并不代表温度的因果效应。图S11:测量流程。计数代表区间或片段,而非独立细胞。在2933次尖峰截断事件中,205次保留了足够的数据点,2728次因窗口不足被排除。图S12:主要人群的拟合质量分布。较小的电压残差不足以确定精确的组件参数。图S13:所有三种学习器的M4留出预测。显示了单个测量值和分箱均值。细胞自助法95%置信区间针对的是分箱均值预测,而非单个预测。图S14:SOH百分点中的额外干预绝对归因:(a)所有留出XGBoost行;(b)跨算法的相同150个留出行。这些解释与正文报告的路径依赖值不同。Rpr图9所示和图10和图13所示图14, 和图15以及表S11。GPR使用近似的KernelSHAP。图S15:主要群体中的Spearman输入相关性。该汇总描述矩阵未考虑细胞内依赖性,且不作为显著性检验。图S16:细胞特异性分布和τ1针对30个细胞的全部12,643个原始测量值。箱体跨越四分位距,红线标记中位数;须线延伸至第5至第95百分位数范围内的最极端观测值。超出须线的观测值在此图中省略,但仍保留在分析中。虚线垂直线标记拟合边界。每个分布汇总了该细胞的检查和运行点,属于描述性分析,而非匹配条件的衰老比较。补充方法S1:软件环境与可重复性;S1.1:计算环境;S1。2:输入定义、精度和模型选择设置;S1.3:代码包和限制级分析调用。代码和相关数据可在补充软件S1中获取。τ2 for all 12,643 primary measurements from 30 cells. Boxes span the interquartile range and red lines mark medians; whiskers extend to the most extreme observations within the 5th–95th percentile range. Observations beyond the whiskers are omitted from this display but remain in the analysis. Dashed vertical lines mark the fitting bounds. Each distribution pools that cell’s checkups and operating points and is descriptive, not a matched-condition aging comparison. Supplementary Methods S1: Software Environment and Reproducibility; S1.1: Computational environment; S1.2: Input definitions, precision, and model-selection settings; S1.3: Code package and explicit analysis calls. The code and associated data are provided in Supplementary Software S1