邱健蓄电池基于自适应时间尺度解耦参数辨识的锂离子电池等效电路模型容量估计

精确的容量估算对于锂离子电池储能系统的可靠运行至关重要。数据驱动的容量预测方法作为一种广泛应用的技术路径，其效果高度依赖于合适特征量的选取。为解决这一问题，本研究提出一种解耦参数识别-等效电路模型（DPI-ECM），专门用于提取与剩余容量具有强相关性的电池物理特征。该模型仅需不足五分钟的弛豫电压数据即可识别出精确表征电池物理状态的特征参数。此外，研究还开发了自适应解耦策略以适应不同运行环境的多样化需求，从而显著提升了模型的鲁棒性与适用性。在XJTU电池数据集和TCU电池数据集上进行的验证表明，该方法展现出卓越的物理特征描述能力，其描述误差较传统等效电路模型（ECMs）降低了57%以上。为验证所提取物理参数的实际有效性，这些参数被输入极端梯度提升（XGBoost）算法进行容量预测。在接近真实运行环境的电池寿命模拟中，采用自适应时间尺度DPI-ECM提取特征的模型，其平均绝对百分比误差（MAPE）较传统ECM降低30.63%，均方根误差（RMSE）降低31.25%。该研究为实际工况下的容量预测提供了实用解决方案，在电动汽车和储能系统中具有广阔应用前景。

引言

作为一种高性能储能装置，锂离子电池已广泛应用于电动汽车、储能系统和移动电子设备[1]。然而，长期循环和复杂工况下的运行不可避免地会导致性能衰减，包括容量衰减和阻抗增长[2][3]。这种衰减不仅会影响电池能量管理系统的运行，还可能引发过充或过放事件，从而威胁运行安全[4][5][6]。因此，剩余容量的精确估算已成为降低电池故障相关安全风险、优化储能系统使用寿命不可或缺的前提条件[7][8]。
通常，电池容量评估需在完整充放电循环后进行完全放电测试[9]。然而在实际应用中，由于测试周期冗长、干扰系统正常运行及加速电池损耗等固有局限性[10][11]，此类完全放电测试往往难以实施。近年来，容量估算方法主要演化为两大范式：基于物理特性的建模方法与数据驱动方法。二者均通过从局部充放电循环中提取关键参数来实现容量估算[12]。基于物理的模型通过模拟内部老化机制来实时估算容量。例如，Zhu等[13]提出了一种包含老化动力学和电解质极化效应的分数阶模型。Xu等[14]将简约电化学模型与等效电路模型(ECM)相结合，以表征锂离子分布并估算容量。Chang等[15]通过分析中低频电化学阻抗谱(EIS)数据对ECM进行改进，从而提高了估算精度。相比之下，数据驱动方法无需显式建模复杂的内部老化机制。这些方法转而利用大规模数据集来训练经验模型[16]。Fan等[17]将10秒原始弛豫电压数据输入卷积神经网络进行容量估计。Zhu等[18]提出应用统计算法处理弛豫电压数据以实现该目标。Kim等[19]提出了一种与健康状态相关的部分充电矩阵框架，该框架通过短期充电曲线提取退化信息，从而实现精确估计。与此同时，近期研究日益聚焦于通过整合优化算法、学习模型与滤波技术，从局部特征或短时测量数据中实现健康状态/能力相关参数的估计。例如，采用局部放电健康特征的IGWO-LSTM模型进行健康状态(SOH)评估[20]，以及结合多新息无迹卡尔曼滤波(Multi-innovations UKF)的分数阶建模实现协同估计[21]。针对不同老化阶段的鲁棒性，学者们探索了混合方案（如结合极限学习机(ELM)的IGWO-ASRCKF方法），验证了该方法在多种退化状态下具有更优的估计稳定性[22]。
基于物理的模型需要复杂的参数设计，而数据驱动方法依赖于浅层的特征-容量相关性并缺乏物理解释性[23][24][25][26]。通过将基于物理模型提取的参数作为数据驱动框架的输入，这种混合方法整合了二者的优势并解决了各自的局限性[27]。等效电路模型(ECMs)因其高效捕捉电池物理信息的能力，被广泛应用于商业电池领域[28]。Ko等研究者[29]采用等效电路模型(ECM)从弛豫电压中提取参数进行健康状态估计，报告的平均绝对误差为2.76%。然而传统二阶ECM过于简化，难以准确表征电池状态。Lin等[30]提出分数阶ECM从弛豫电压数据中提取物理特征。Li等[31]在ECM中增加额外电容组件，实现了1.77%的均方根误差。Shan等[32]采用一阶阻容(RC)ECM配合增量容量曲线作为输入，使处理速度提升60%。最新研究显示，基于模型的健康状态解决方案通过结合电化学老化表征与先进贝叶斯滤波算法，有效提升了实际工况下的鲁棒性[33]。此外，可解释性框架的提出将诊断特征与内部衰减机制相关联[34]，反映出除纯精度外对模型可解释性日益增长的需求。与此同时，通过多模型融合[35]探索了具有更强跨条件泛化能力的在线SOH估计方法，同时也有文献报道了SOH与寿命终止预测的统一框架[36]。越来越多的研究聚焦于部分充放电曲线和动态运行条件下的在线健康状态/容量相关估计，其中特征稳定性和鲁棒性成为关键考量。代表性案例包括动态条件下基于弛豫电压的健康状态估计[37]、ECMs在线双时间尺度参数/状态估计[38]，以及通过多分辨率分析实现基于小波的多时间尺度参数辨识[39]。
尽管存在这些改进，增强型等效电路模型（ECMs）引入了额外的物理参数，从而增加了计算负担并可能导致拟合不一致[40][41][42]。然而，Shi等人提出的模型依赖于多物理场（电-热-老化）耦合与时频域量化方法，需预先估计预设频段分割的特征时间常数（表1）。此类先决条件的量化处理与时频域转换会加剧建模复杂性，降低其在轻量化电池管理系统（BMS）中的适用性。因此，在进一步提升模型描述性能的同时保持其简洁性仍至关重要，特别是需要通过稳定短弛豫数据下的特征提取及电流依赖性极化漂移来实现这一目标。
本工作中采用虚拟代理模型以提高传统等效电路模型的识别精度，并进一步提出高效自适应时间尺度解耦识别策略以适应多样化工况条件。需特别说明的是，所提框架并非简单对同一等效电路拓扑进行程序化的多阶段拟合。而是引入结构化解耦路径：首先利用虚拟代理在筛选出的半平衡区间内预识别慢极化支路参数，随后将获得的先验信息固定于二阶等效电路模型中用于估计剩余快过程参数。本文主要贡献可概括如下：

• (1)
  本文提出一种基于虚拟代理模型的解耦参数辨识-等效电路模型(DPI-ECM)，以更精确地描述电池内部动态特性。
• (2)
  通过采用电压变化率滤波器，提出一种高效的自适应时间尺度解耦辨识策略，该策略可适应包括1至10A电流、20.7至56.3°C温度范围以及多种商用电池类型在内的多样化工作条件。
• (3)
  该方法仅需少量易于获取的数据，利用五分钟内采集的弛豫电压数据即可实现。
• (4)
  DPI-ECM提取的参数被输入XGBoost（极限梯度提升算法）进行容量估算。该模型的有效性通过两个标准验证：物理可解释性与特征重要性。