邱健蓄电池多性向物理信息驱动的锂离子电池快充策略：老化抑制与热安全

锂离子电池（LIBs）快速充电策略在电动汽车里程焦虑背景下受到广泛关注。然而，现有大多数快速充电策略会导致电池异常加速衰减或引发热安全问题。为缓解锂离子电池快速充电过程中的异常加速衰减现象并提升其热安全性，本研究提出了一种融合多物理场信息的数据驱动模型的新型快速充电策略。具体而言，本研究开发了一种电-热-老化耦合锂离子电池模型（ETACM），用于全面表征电池的电学特性、热力学特征及老化动力学行为。在此基础上，为提高充电速率并确保热安全性与电池寿命，构建了新型多约束优化问题。进而提出融合改进型柔性执行器-评价器（SAC）与长短期记忆网络的快速充电优化框架，该框架可为锂离子电池提供创新的实时充电策略。为验证所提出的多物理信息快速充电策略的有效性，本研究开展了两项实验研究。该策略性能优于现有快速充电方法，包括恒流-恒压（CCCV）充电协议、基于SAC的策略以及基于模型预测控制（MPC）的策略。实验结果表明：该方法在充电效率、热安全性和容量衰减抑制方面均实现有效提升，在未加剧电池衰减的前提下，充电速度较对比方法至少提升11.4%。

引言

近年来，电动汽车（EVs）作为缓解气候恶化和促进绿色能源转型的重要工具，受到全球日益广泛的关注[1]。锂离子电池（LIBs）作为电动汽车的主要动力来源，具有能量密度高、自放电率低、循环寿命长等显著优势[2]。智能电池管理系统（BMS）在电动汽车的长期使用中发挥着关键作用，其核心功能包括状态监测、充放电管理和健康状态预测[3][4][5][6][7]。随着续航焦虑问题的日益凸显，快速充电技术与策略的研究亟需加强[8]。然而，单纯追求充电速度的提升会导致过热、异常衰减甚至安全隐患等一系列问题。
大量研究致力于快速充电技术的探索。这些方法可分为两类：基于模型的方法与无模型方法。在电池管理系统(BMS)的实际应用中，基于启发式规则的无模型策略因实施简便、计算复杂度低且成本效益显著而被广泛采用。快速充电策略主要包括脉冲充电、升压充电、恒流-恒压(CCCV)充电、多阶段恒流-恒压(MSCCCV)充电等[9][10]。然而，这些方法主要基于经验观察，缺乏对电池内部反应机制的深入理解，因而难以实现对充电过程的精确控制[11]。尽管高充电电流能显著缩短充电时间，但会同时引发难以均匀消散的显著焦耳热效应，可能导致明显的温升和电压超调现象[12]。此外，激进的电流提升可能加速容量衰减（capacity fade）、功率衰减（power fade）[13]并增加安全隐患[14][15]。这些局限性推动了基于模型的策略发展[11]。
基于模型的充电策略能够以可靠性能精确追踪电池运行状态。锂离子电池的精确建模构成了开发高效快充策略的理论基础[16]。目前基于模型的方法主要包括电化学模型(EM)和等效电路模型(ECM)[17]。电化学模型基于多孔电极理论和浓溶液理论，采用偏微分方程(PDEs)来描述锂离子电池内部的电化学反应动力学与传热过程。该类模型基于基础电化学原理分析电池充放电行为，能够精确表征非线性电池动态特性[18][19]。然而，偏微分方程的复杂表述与高昂计算成本为实际应用带来了显著挑战[20][21]。相比之下，等效电路模型（ECM）采用电阻、电容和电压源等简单电路元件描述电池内部结构，在模型复杂度与计算效率之间实现了平衡，因而被广泛应用于电池建模领域[22]。近年来，基于等效电路模型（ECM）的快速充电策略研究取得了显著进展。Guo等[23]提出了一种基于等效电路模型的通用电压协议，该方案在保持较短充电时间和对电池健康状态（SOH）变化强适应性的同时，显著提升了充电效率和循环寿命。Wassiliadis等[24]开发了一种根据电池状态实时调整的降阶电化学模型，有效抑制了锂析出现象并显著延长了电池使用寿命。然而，等效电路模型（EM）和ECM仅关注单一特性，这限制了快速充电策略的进一步优化。
多性向物理信息驱动的锂离子电池模型因其对电池特性的全面反映，正成为相关领域日益增长的研究趋势。锂离子电池内部的反应过程受到电学、热力学与力学多场耦合效应的影响。Saqli等人[25]开发了一种增强型电-热耦合模型，该模型能够同步估算荷电状态(SOC)、温度及容量。该模型在实际应用中提升了锂离子电池性能并延长了其使用寿命。Ouazzani等人[26]通过将电解质增强单粒子模型与集总参数热模型相耦合，开发了一种快速充电策略。类似地，Kang等[27]通过等效电路模型与双状态热模型的耦合，构建了综合考虑充电速度与容量衰减的全局充电目标，旨在缓解电池老化问题。与此同时，锂离子电池的安全性与可靠性日益受到关注，建立电池性能衰减模型对其高效稳定运行至关重要[28][29]。基于此，Gao等输出： [30]将面向控制的电化学模型与老化模型、热模型相整合，建立了一个带健康约束的多目标优化框架。Liu等[31]通过引入产热特性、传热特性和老化特性改进了传统ECM模型。基于该改进模型，他们提出了一种基于非支配排序遗传算法II优化算法的自适应多阶段恒流-恒压充电策略，有效抑制了阳极表面锂枝晶的析出。然而现有基于耦合模型的策略高度依赖历史数据，仅能表征已知的退化模式，难以实时更新电池状态并捕捉复杂的内部反应[32]。
基于模型的充电策略通常与先进的数据驱动方法相结合[33]。例如，Sattarzadeh等人[34]采用耦合电热电池模型，并将其与线性二次最优控制理论相结合，提供了可适应电池健康状态的实时最优快速充电方案。Wei等人[35]通过将降阶电化学-热模型与机器学习技术相结合，探索了机理驱动与数据驱动方法的融合路径。该方法通过感知电池内部微观状态优化快速充电策略，从而实现可靠且鲁棒的充电性能。Liu等人[36]通过结合多性向生物地理学优化策略与电热-老化模型，对CCCV和MSCCCV充电协议进行了优化。尽管这些混合方法在充电协议优化方面展现出显著进展，但其在适应实时电池状态变化与满足复杂多性向优化需求方面仍存在重大挑战。
为解决这一问题，深度强化学习（DRL）被引入用于优化快速充电策略。近期研究证实了DRL在锂离子电池快充控制中的潜力。例如，El Ouazzani等人[26]采用基于近端策略优化（PPO）的DRL方法，实现了15分钟极端快速充电，同时提升安全性并降低容量衰减。Park等[37]提出一种基于策略梯度的DRL方法，利用低维Doyle-Fuller-Newman（DFN）特征实现时间最优充电，展现出强大的环境适应性。Ardakani等[38]将priority-objective奖励函数与soft actor-critic算法结合，通过电热模型优化电池组的快速充电与均衡。然而，现有DRL方法在有效捕捉电池充电过程中的动态演化模式时仍面临挑战，这些模式具有显著的时间相关性和非平稳行为特征。尤其在部分可观测条件下，传统深度强化学习（DRL）方法在利用历史状态信息方面表现出效率局限，这可能导致策略更新过程中关键时序特征的丢失。该缺陷会削弱复杂动态操作环境中决策的鲁棒性[39]。
综上所述，现有基于模型的策略大多聚焦于孤立特性，忽视了快充过程中多重特性间的耦合交互作用。此外，当前研究缺乏一个整合多维度电池特性的综合性电池健康充电目标函数，这导致难以通过简单目标函数实现更高效、更安全的快速充电。此外，现有用于快速充电的深度强化学习方法存在时间动态建模不足的问题，且在部分可观测条件下对历史状态的利用率较低。
本文旨在填补研究空白，并提出一种面向锂离子电池的多性向物理信息快速充电策略。主要贡献可概括如下。
(1) 为应对多性向物理耦合表征的关键空白，本研究构建了精确的锂离子电池电-热-老化耦合模型（ETACM），该模型同步表征电学特性、热力学特征与老化动力学。所提出的锂离子电池模型能够反映多性向物理信息耦合关系。
(2) 本研究通过设计多约束目标函数，解决了多性向优化难题。产热安全性、充电电压限值和容量衰减率被系统性地纳入目标函数，以确保均衡的快速充电性能。
(3) 为实现自适应实时电池充电控制，本研究通过将长短期记忆网络融入基于深度强化学习的控制器，开发了一种新型改进SAC框架的快速充电优化方案。