基于阻抗谱的锂离子电池健康状态自适应估计研究.pdf

摘要

锂离子电池因其优异的能量密度、持久的循环使用寿命及较低的自放电特性，在

储能与电动汽车等领域获得了广泛的应用。然而，电池在经历反复的充放电循环后，

其性能难免会出现衰减，可能触发液体泄漏、局部短路等安全风险，这些问题有时会

导致严重的安全事故。因此，精确评估电池的健康状态(StateofHealth,SOH)以及时更

换或维护老化电池显得至关重要。但是，锂离子电池内部老化机制的复杂性和多因素

耦合作用，使得准确估计其SOH成为一个具有挑战性的任务。本文基于阻抗数据搭建

数据驱动模型，旨在解决SOH估计的问题。具体研究内容如下：

第一，基于Kramers-Kronig(K-K)关系对不同荷电状态(StateofCharge,SOC)条件

下的阻抗数据进行了验证。实验结果表明电池在充放电过程中采集的阻抗数据受到噪

声干扰，呈现出较大的波动。相比之下，在电池静置状态下获得的阻抗数据则展现了

更高的稳定性。因此，采用在静置状态下测量的阻抗数据来估计电池的SOH能够显著

提高估计精度。此外，含有噪声的阻抗数据为后续研发能够适应噪声影响的SOH估计

模型奠定了重要基础。

第二，针对全频段阻抗数据直接输入到估计模型中可能引起的高算力需求问题，

提出了变分自动编码器(VariationalAutoencoder,VAE)用于从阻抗数据中进行特征提取。

随后，使用双向门控循环单元(Bi-directionalGatedRecurrentUnit,BiGRU)网络对电池

的SOH进行最终估计，这一策略有效减少了模型的参数数量，并能够全面地捕捉特征

序列随时间变化的趋势。与直接把阻抗数据作为BiGRU的输入相比，VAE-BiGRU在

三种温度下的平均精度提高了59%。

第三，针对在充放电过程中测量的阻抗数据存在波动性的问题，提出了增强变分

自编码器(EnhancedVariationalAutoencoder,EVAE)。EVAE通过在VAE模型中结合了

变分模态分解(VariationalModeDecomposition,VMD)技术。这一结合可有效处理和过

滤特征中的噪声，从而提高特征的准确性和可靠性。在SOH的估计过程中，采用了

Transformer模型，该模型能够克服循环神经网络(RecurrentNeuralNetwork,RNN)在序

列建模方面的局限性。Transformer模型的多头注意力机制能够全面处理全局数据，更

有效地捕捉时间序列中的依赖关系。实验结果显示，所开发的EVAE-Transformer模型

不仅能够通过含有噪声的复杂阻抗数据实现准确的SOH估计，还具有良好的通用性，

能够适用于不同类型的锂离子电池。

关键词：电化学阻抗谱；深度学习；噪声处理；迁移学习；健康状态估计

Abstract

Lithium-ionbatterieshavebeenwidelyusedinenergystorageandelectricvehiclesdue

totheirexcellentenergydensity,long-lastingcyclelifeandlowself-dischargecharacteristics.

However,afterexperiencingrepeatedcharginganddischargingcycles,theperformanceof

batteriesinevitablydeteriorates,whichmaytriggersafetyriskssuchasliquidleakageand

localshortcircuits.Theseissuescansometimesleadtoserioussafetyaccidents.Therefore,it

iscrucialtoaccuratelyevaluatetheStateofHealth(SOH)ofbatteriesinordertoreplaceor

maintainagingbatteriesinatimelymanner.However,th