充电特征缺失下锂离子电池健康状态的可靠预测
2026-11-19 13:38:01 点击: 次
1. 引言
锂离子电池因其高能量密度和长循环寿命,成为电动汽车(EV)的关键技术[1]。在整车层面,由功率电子器件、电机和电池包等相互作用部件产生的热条件会影响工作温度和应力状态[2]。随着电池老化,电化学降解会导致容量损失和性能下降,从而影响续航里程、安全性和运行可靠性[3]. 因此,准确估计电池健康状态(SOH)是电池管理系统(BMS)的一项关键功能 [4].
然而,由于传感器噪声、遥测限制以及不规则采样或通信约束导致的缺失片段,实际的BMS测量往往是不完美的[7]。特别是当测量分辨率不足时,从充电曲线中提取的电压轨迹指标可能无法始终提取[8]. 这种不完整的信息会降低预测的可靠性,并限制数据驱动模型在实际电动汽车环境中的适用性。
。大多数现有研究假设测量数据完整且持续可用,这可能无法反映电动汽车系统中的实际感知条件[9]。因此,开发在部分特征丢失情况下仍能保持可靠的模型对于实际部署至关重要。
可靠学习是指模型在不完美或部分退化的输入条件下保持稳定性能的能力[10]。在电池健康评估中,这需要识别有影响力的健康指标并对缺失特征进行补偿。
本研究提出了一种基于充电衍生健康指标的可靠SOH估算框架。该方法评估特征影响,并利用时间学习模型重建缺失的电压轨迹指标,从而在不完整感知条件下实现更可靠的SOH预测。本研究的贡献总结如下:
-
我们通过特征组消融实验,分析了充电衍生健康指标组对SOH预测准确度的影响。
-
我们提出了一种Recovery-LSTM模型,用于从可用的充电描述符中重建缺失的电压轨迹指标。
-
我们评估了在渐进式特征缺失场景下的鲁棒性,证明即使关键电压指标部分不可用,SOH预测性能依然稳定。
2. 材料与方法
本研究提出了一种在充电健康指标部分缺失情况下的可靠SOH估计框架。传感器噪声或故障导致的测量值缺失可能会降低预测的可靠性。该方法通过识别关键指标并在SOH预测前重建缺失的关键特征来提高鲁棒性,如图所示图1.

图1。传感器退化下具有电压恢复功能的可靠SOH估计框架。
该框架包括(i)关键指标识别、(ii)特征恢复和(iii)鲁棒SOH预测。
2.1. 数据集
实验使用MIT快充数据集[11],包含45个LiFePO4电池,这些电池在30°C的受控快充条件下循环,退化轨迹长达2000次循环。数据被分为31个训练电池、6个验证电池和8个测试电池。
电池SOH定义为在每个电池单元的整个寿命周期内,可用容量与标称容量的比值。
2.2. 充电健康指标
在每个充电循环中,从电压、电流、温度和时间信号中提取出一组健康指标(HIs)。这些指标总结了随电池老化而变化的充电动态。
循环的特征向量n定义为
