武汉理工大学王菁团队iScience:基于电化学分数阶模型热力学参数与LSTM的电池健康状态估计 | Cell Press论文速递

研究亮点

• 提出一种基于物理启发的深度学习框架，实现精准的电池健康状态估计。

• 将电化学分数阶模型的热力学参数作为具有物理可解释性的输入特征。

• 通过双水箱模型结合粒子群优化算法辨识热力学参数。

• 在多组电池上实现了高精度估计与良好的物理可解释性。

论文简述

随着新能源的发展，锂离子电池的健康状态（SOH）是评估电池性能和安全性的关键指标。然而，SOH无法直接测量，传统方法通常依赖外部特征或模型进行估计，但存在可解释性差、建模复杂等问题。为了突破这些局限，本研究提出了一种创新的物理启发式深度学习方法，将电池机理模型与深度学习技术相结合，构建了独特的SOH估计框架。具体而言，从电化学分数阶模型中提取热力学参数，将其作为长短期记忆（LSTM）网络的输入特征，通过深度学习网络将物理特征映射到SOH，实现高精度估计。

研究设计

本研究采用牛津电池老化数据集，剔除了对照组样本，实际使用了28节电池的数据。本研究将电化学分数阶模型中的热力学参数作为核心研究对象。该模型以单粒子模型为基础，采用分数阶Padé近似方法对锂离子扩散过程进行简化，从而显著降低了计算复杂度与待辨识参数的数量。该模型不仅简化了电化学结构、提升了锂离子扩散的计算效率，还通过集总建模的方式减少了参数数量，从而有效降低了参数辨识的复杂度。

本研究对四个关键热力学参数与SOH进行了相关性分析，并结合电池老化机理揭示了其背后的物理意义。结果表明，所选取的热力学参数与SOH呈现显著相关性，其中正负极初始嵌锂量与SOH的皮尔逊相关系数均超过0.93，体现出极强的关联性，可作为兼具物理意义与可解释性的模型输入，用于准确预测SOH变化。从老化机理层面看，正负极初始嵌锂量减少的根本原因是“可用锂损失”，这是电池容量衰减的重要机制之一。而正负极可用容量的降低，则主要归因于活性电极材料的逐渐退化。这些发现不仅加深了对电池老化规律的理解，也为基于物理模型的状态估计提供了坚实的科学依据。

在此基础上，本研究创新性地构建了一种“物理机理+数据驱动”深度融合的SOH智能估计框架。该框架以电化学分数阶模型提取的热力学参数作为输入，利用LSTM网络捕捉电池老化过程中的复杂时序依赖关系，实现了机理可解释性与预测精度的统一。为全面验证所提方法的优越性，本研究开展了系统的对比实验研究。在相同输入条件下，将本文提出的LSTM模型与五种不同机器学习及深度学习模型（包括MLP、BPNN、SVR、Lasso）进行了性能对比。结果表明，LSTM模型在所有对比模型中表现最优，在8个验证电池上取得了平均RMSE 0.70%、MAE 0.59%的出色精度，显著优于其他方法。

为验证从电化学分数阶模型中提取的热力学参数在电池SOH估计中的有效性，本研究将其与一组文献中广泛采用的经典特征参数进行了系统性对比。对比特征集包括：（1）反映活性材料损失、随老化而降低的IC峰值；（2）从电压降中估算、反映内部阻抗增长的欧姆内阻；（3）对极化和电极动力学敏感、捕捉放电后早期电压恢复的第5秒弛豫电压。在保持完全相同的LSTM网络架构、超参数及数据划分的条件下，实验结果表明：采用电化学分数阶模型热力学参数的方案，其SOH估计表现显著优于传统特征集。这充分验证了本文“电化学分数阶模型+LSTM”框架在精度与物理可解释性方面的综合优势。

总结

本研究创新性地将电化学分数阶模型与深度学习深度融合，构建了“物理机理+数据驱动”的锂离子电池SOH精准估计新范式。该框架以电化学分数阶模型提取的热力学参数作为输入，利用LSTM网络捕捉电池老化过程中的时序依赖关系，实现了机理可解释性与预测精度的统一。实验结果表明，该方法在牛津大学数据集上平均估计误差仅0.70%，显著优于传统方法。热力学参数与SOH的强相关性为电池健康状态估计提供了坚实的物理可解释性基础。虽然极端工况适应性及实时部署成本仍需优化，但该框架已展现出卓越的精度与泛化能力，为下一代电池管理系统开发提供了兼具机理洞察与智能预测的可行路径。

论文原文刊载于Cell Press细胞出版社

旗下期刊iScience，

点击“阅读原文”或扫描下方二维码查看论文