邱健蓄电池机器学习辅助的锂电池物理信息充电策略：协同缓解容量衰减、热效应与时间成本

电动汽车锂离子电池充电策略的设计通常需要大量实验和大规模数据集来模拟电池行为。本文提出一种混合充电优化框架，将数据驱动学习与基于物理的建模相结合。通过分析锂离子电池的退化机制，将其作为物理特征融入模型以指导充电策略。采用多层感知器预测容量衰减，仅需少量历史数据即可实现对非线性电池行为的高度适应性。充电控制涉及多项Objective，包括电池老化、温升及时间约束。采用基于线性近似的约束优化算法（COBYLA）确定安全与快速充电场景下的最优充电电流。该算法处理非线性约束与黑箱Objective函数的能力，确保了不同工况下实现鲁棒的Multi Objective优化。实验结果表明，所提方法在仅需少量训练数据的情况下，能有效缩短充电时间并延长电池寿命。通过实验与Simulation验证，相比传统CCCV方法，该充电控制策略在充电期间减缓SOH衰减方面分别取得20.7%和88.2%的提升。

Introduction

锂离子电池（LIBs）的充电过程对其在汽车工业及电动汽车（EVs）中的应用具有决定性影响。然而，LIBs在充电过程中不可避免地会出现容量衰减经验值，并因温度升高和固有电化学机制导致内阻增加。LIBs的容量衰减通常归因于三种平行宇宙机制：锂库存（LLI）损耗、活性物质（LAM）损耗和导电性损耗[1]。目前对充电过程中退化策略的建模仍存在显著挑战。 （注：根据术语表要求，"Experience"译为"经验值"、"AU"译为"平行宇宙"、"Strategy"译为"策略"，但原文中"aging mechanisms"为专业术语，结合上下文判断实际应译为"老化机制"。此处保留用户强制要求的术语替换，但建议在正式学术翻译中优先采用"老化机制"等标准译法以保持科学性。）此外，为充电过程建立容量衰减模型通常需要在不同条件下（如不同充电电流与温度）开展大量实验。这一挑战还因充电需求的多样性而加剧——例如快速充电或安全充电等需求随使用场景变化，使得单一固定策略难以满足要求。因此，开发鲁棒且自适应的充电策略对于有效应对这些多样化需求至关重要。更重要的是，需要建立一种实验需求更少、同时能精准捕捉充电过程中容量衰减的衰减退化建模方法。近年来，物理感知建模备受关注，许多学者通过融合机器学习与物理原理来模拟电池老化[2][3]。基于此趋势，本文重点研究将物理退化机制与充电策略优化相结合，以开发锂离子电池容量衰减模型。
近年来，充电策略的开发已成为重点研究方向。一般而言，充电策略可分为无模型充电方法和基于模型的充电方法。传统的无模型充电方法（如恒流充电（CC）和恒流恒压充电（CC-CV））无需依赖详细的内部模型，可直接通过数据或规则制定最优充电策略[4]。此外，多阶段恒流（MSCC）充电策略正作为一种新型电动汽车充电解决方案被采用，因其在缩短充电时间、提升效率及延长锂离子电池循环寿命方面的潜力[5]。Liu等学者提出了一种基于深度确定性策略梯度的无模型强化学习框架，在满足安全约束条件下实现快速充电的策略[6]。Dong研究团队则将电池快速充电控制视为黑箱优化问题，利用贝叶斯优化方法构建了数据驱动的快速充电优化方案[7]。无模型方法对电池不确定或多变工况具有高度适应性，且无需显式建模容量衰减机制即可提升充电优化性能。然而，由于黑盒模型具有复杂非线性结构，机器学习算法背后的决策机制与内部过程往往难以解释和理解[8]。这促使学界将更多注意力转向基于模型的充电策略，此类策略兼具更优的可解释性与物理一致性。
基于模型的充电方法聚焦于整合容量衰减与热力学模型，以优化电池性能并延长使用寿命[4][9]。充电过程中的电池衰减建模主要可划分为两种方法：基于能量与基于容量的方法。(1) 基于能量的建模着重量化充电过程中的能量损耗，将其作为容量衰减建模的基础。Liu等学者采用一阶等效电路模型(ECM)推导的内阻公式对电池能量损耗进行建模[10]。类似地，Wang等人提出了一种基于能量损失的健康退化模型，该模型通过分数阶模型进行表征[11]。然而，这些方法需要通过等效电路模型或分数阶模型对锂电池内阻进行精确辨识，过程复杂且计算量较大。(2)基于容量的建模方法直接描述锂电池充电过程中的容量衰减行为。Wang等人开发了一种广义电池寿命模型（即半经验模型）用于表征充电过程中的容量退化[12]。该模型在近年研究中获得广泛应用，并成为充电优化框架的基础退化模型[13]-[16]。为更好地优化和评估快充过程中的电池容量衰减模型，许多学者聚焦于锂枝晶生长[17]-[20]和SEI膜增厚[21][22]等电池退化机制。然而，这些机制本身未能清晰反映容量衰减随循环演变的趋势规律。因此，锂活性物质损失（LLI）与正极活性材料损失（LAM）为退化建模提供了更全面的依据：LLI在循环初期表现显著，而LAM则随循环次数逐步加剧[23]。基于此，Tian等学者通过建立LLI与LAM的半经验公式，对退化机制进行了建模研究[24]。尽管该方法增强了对锂离子电池（LIB）衰减机制的理解，但未考虑不同衰减机制之间的耦合效应[25]。总体而言，当前基于模型的充电方法仍需在不同温度和充电电流条件下进行大量实验，以确定各衰减路径的指前因子。
为降低建模电池充电老化过程对大量实验数据的依赖，数据驱动方法提供了一种极具前景的替代方案。先前研究已应用多种机器学习方法进行电池容量估计，包括经典学习算法如卷积神经网络[26][27][28]和长短期记忆网络(LSTM)[29][30][31]、集成学习算法如粒子群优化与K近邻的组合[32]以及CNN-Transformer[33]，以及迁移学习技术如Transformer[34]和支持向量回归(SVR)[35]。尽管这些数据驱动与迁移学习方法非常适用于电池容量估计，但它们尚未被系统地整合到充电控制中，也未能应用于建模充电过程中的电池实时退化。因此，本研究旨在将数据驱动建模应用于电池老化研究，以最大限度减少对大量实验验证的需求。
充电控制优化的目标是确定合适的充电电流，以最小化容量损失、限制温升并确保可接受的充电时长。Zhang等采用遗传算法（GA）优化充电电流轨迹以控制温升和充电时间[36]。Jiang等提出了数据驱动的贝叶斯优化框架来优化电池快速充电过程，但该方法未考虑电池退化机制或变化的充电场景[37]。Wang等针对多快充问题，[38]通过约束方法与连续变电流充电曲线相结合的途径进一步强化了贝叶斯优化。杜等人提出了一种线性递减加权粒子群优化（PSO）算法用于充电控制优化[39]。田团队基于非支配排序飞蛾火焰优化开发了混合算法，以确定多阶段充电的最优参数[40]。Fracas等人采用序列最小二乘规划（SLSQP）实现微电网能量管理中的优化与热力调度[41]。尽管SLSQP能够处理非线性约束，但容易收敛于局部最优解。尽管现有研究采用了多种优化方法来设计充电策略，但大多数方法仍依赖于容量衰减与热力动力学的线性建模。而锂离子电池的退化本质上呈现非线性和随机性特征。因此，需要采用先进的充电优化算法，以有效处理充电过程中容量衰减模型的非线性特性。
总结而言，当前锂离子电池充电优化领域的科研存在若干空白：

• 1.
  现行充电策略所采用的电池容量衰减模型严重依赖不同工况（如温度与充电倍率）下的大量实验数据，以提取诸如活化能等指前因子。
• 2.
  现有电池容量衰减模型尚未充分解决锂损失（LLI）与活性材料损失（LAM）之间的耦合效应。采用半经验方法的多数研究往往忽视基本衰减机制，或将LLI和LAM单独建模，忽略了二者对整体容量衰减的耦合作用。
• 3.
  当前充电策略的优化方法主要依赖于电池参数的线性建模。然而，锂离子电池的退化行为本质上是非线性的。因此，亟需开发能够兼容容量损失模型线性和非线性特征的优化方法，以确保充电优化的准确性和鲁棒性。

为应对上述挑战，本研究提出了一种新型物理信息多层感知机（PI-MLP）模型，用于模拟由锂离子损失（LLI）和活性材料损失（LAM）机制驱动的电池容量衰减，并捕捉二者的耦合效应。此外，采用线性近似约束优化算法（COBYLA）来确定锂离子电池的最优充电参数。本工作的主要贡献可概括如下：

• 1.
  基于混合模型的充电策略：本研究采用了一种结合MLP容量损失模型与热力学模型的混合模型充电优化方法。该方法充分发挥了无模型方法的优势——仅需极少实验数据即可建模锂离子电池的非线性衰减特性，同时整合了基于物理原理的信息，以缓解无模型充电优化策略普遍存在的可解释性局限问题。
• 2.
  基于物理信息的容量损失机器学习模型：本文聚焦锂离子电池（LIBs）的本征衰减机制，特别是锂离子损失（LLI）与活性材料损失（LAM）。通过应用增量容量分析（ICA）和差分电压分析（DVA）方法提取电池的LLI与LAM参数，该研究捕捉了两者间的耦合效应，并基于物理信息原理揭示了容量损失机制。PI-MLP模型仅需少量充电数据即可建模容量衰减，无需针对半经验老化模型在不同电流与温度条件下开展大量实验。
• 3.
  采用COBYLA算法实现充电优化：本研究采用COBYLA方法进行充电优化。该算法特别适用于涉及非线性约束和黑箱目标函数的问题，能有效处理本文所用PI-MLP模型与热力学模型的非线性特性。我们提出了一种基于损失函数权重的灵活鲁棒充电策略，该策略可适配不同运行需求（如安全充电或快速充电场景）。