从数据中学习锂离子电池健康与退化模式：基于老化感知的电路模型
系统与控制
2025-07-01 v5 系统与控制
摘要
从操作数据对锂离子电池状态健康进行非侵入式估计对于电池应用具有重要价值，但仍面临挑战。纯模型方法可能因参数估计不准确和长期不稳定而受限，纯数据驱动方法则高度依赖训练数据的质量和数量，在外推至未见情形时缺乏普适性。我们应用一种老化感知的等效电路模型进行健康估计，在模型方法的灵活性中引入数据驱动技术。一种简化的电气模型包含电压源和电阻，采用高斯过程回归学习容量随时间的衰减以及电阻对运行条件和时间的依赖性。该方法经过两个数据集验证，表现准确，容量相对均方根误差(RMSE)小于1%，平均绝对百分比误差(MAPE)小于2%。关键的是，我们表明电开路电压与状态电荷(SoC)函数必须准确知晓，若该函数随时间产生不准确或变化，将严重影响阻值的推断。然而，这一特征（或缺陷）也可用于从操作数据中原地估计微分电压曲线。
引用
@article{arxiv.2407.06639,
title = {Learning Li-ion battery health and degradation modes from data with aging-aware circuit models},
author = {Zihao Zhou and Antti Aitio and David Howey},
journal= {arXiv preprint arXiv:2407.06639},
year = {2025}
}
备注
11 pages, 10 figures