首页 > 资讯 > 前沿技术：弛豫时间分布+LSTM精准评估锂电池健康

前沿技术：弛豫时间分布+LSTM精准评估锂电池健康

泰然健康网
2025-07-16 18:33

在当今科技飞速发展的时代，锂离子电池凭借高能量密度、长循环寿命和高效率等优势，广泛应用于从便携式电子设备到电动汽车，再到大规模可再生能源存储系统等众多领域，成为现代技术进步中不可或缺的一部分。

随着可持续能源存储需求的不断攀升，准确评估锂离子电池的健康状态（SOH）变得至关重要。这不仅关乎电池在首次使用过程中的安全性、性能优化及使用寿命延长，对于其二次利用，如用于固定储能或备用电源系统等场景，也有着关键意义。精准的 SOH 评估能够促进资源的可持续利用，减少浪费，提升锂离子电池的整体生命周期价值。

图 1：使用 LSTM 估计电池健康状态 (SOH) 的总体流程。

传统方法的困境与新技术的曙光

电化学阻抗谱（EIS）作为评估电池健康状况的常用技术，通过分析电池在不同频率下的阻抗响应，来捕捉电池内部电阻、电荷转移行为和电容动态等关键电化学特性，这些特性与电池的老化机制直接相关。然而，EIS 在分析重叠的电化学过程时存在明显局限性。当不同过程的特征频率相近时，在奈奎斯特图上会出现半圆重叠的情况，导致等效电路建模中电路元件的映射模糊不清；而且 EIS 基于单频的表示方式，无法像在时域中那样清晰地分解过程，对测量噪声较为敏感，频率分辨率也有限，最终使得准确分离和解释电池系统的电化学机制变得困难。

图2. 数据采集网络。(a) CCCV充放电曲线，(b) EIS测试框架。

弛豫时间分布（DRT）技术的出现为解决这些问题带来了新的思路。DRT 通过对阻抗谱进行反卷积，能够更精确地分辨出不同的电化学过程及其时间尺度，深入揭示影响电池性能的内部动态变化。将 EIS 与 DRT 相结合，可以更详细地分析电池内部的化学行为，有助于改进传统的基于 EIS 的等效电路模型（ECM），为评估电池健康状况提供更强大的框架。

图3：三节锂离子电池的循环容量保持率。

创新研究：DRT 与 LSTM 携手，打造精准评估模型

本文通过运用 DRT 方法分析 EIS 数据，旨在提取反映锂离子电池内部详细过程的关键参数。研究选取了三个初始容量不同的锂离子电池（来自 Galaxy S9 + 智能手机），在 1000 次充放电循环过程中，每隔 20 次循环进行一次容量和阻抗谱测量，同时在六个荷电状态（SOC，分别为 0%、20%、40%、60%、80% 和 100%）下进行 EIS 测量，以全面捕捉电池阻抗在不同状态下的变化。

图4：Galaxy S9+电池在100% SOC下的奈奎斯特图（左）和DRT图（右）。

研究人员利用 DRT 分析中的电荷转移峰这一显著特征，训练长短期记忆（LSTM）模型来估计电池的 SOH。LSTM 是一种专门用于处理序列数据的神经网络，具有独特的记忆功能，能够在时间序列中保留和更新相关信息。研究中，LSTM 模型以 DRT 参数（如电荷转移峰的峰面积、半高宽、中心弛豫时间和峰高）和 SOC 作为输入特征进行训练。

实验过程大揭秘：严谨操作，获取可靠数据

实验在严格控制的环境下进行，使用 HYSCLAB 试验箱将温度恒定维持在 25°C，确保实验全程的一致性。采用 WonATech WBCS3000 M2 设备进行充放电循环，ZIVE MP2A 进行 EIS 测量。充电过程先以 2A（0.57C）的恒定电流充电，直至电池达到 4.4V 的终止电压，随后进入恒压（CV）充电阶段，当电流降至 0.02C（70mA）时充电完成；放电则以 1.35C（4.71A）的加速速率进行，当电压降至 2.8V 时结束放电。每次放电后设置 1 小时的休息时间，使电池状态稳定后再进入下一个循环。

数据分析：挖掘数据背后的电池老化秘密

EIS奈奎斯特图显示，循环初期欧姆电阻稳定，后随循环增加，表明电解液消耗致导电性降。SEI层电阻半圆增大，示SEI层增厚内阻增。电荷转移电阻剧增，表明电极-液界面反应减缓，是老化关键。

图5：电芯01-不同SOC下，DRT参数随1000次循环的变化。

奈奎斯特图受限于频率，低频信息缺失，半圆重叠使老化机制复杂化。DRT分析将阻抗分解为峰，对应不同过程。研究发现，电荷转移峰随循环向长弛豫时间移动，峰高增加，半高宽变宽，面积增大，表明电荷转移电阻是老化关键。

DRT参数热图和Spearman相关系数分析显示参数间强正相关，反映电荷转移弛豫。DRT参数与SOH负相关（-0.49至-0.55），表明SOH降时电荷转移电阻峰更显著，证实其为电池健康指标。

图 6. Spearman 相关矩阵。

模型表现：LSTM 模型实力超群

经过训练的 LSTM 模型在预测电池 SOH 方面表现出色。研究人员使用四个数据集对模型进行测试，结果表明，当使用电池 1 和电池 3 的数据集进行训练和测试时，预测精度最高，平均绝对误差（MAE）为 0.58%，均方根误差（RMSE）为 0.70%。这是因为电池 1 和电池 3 的初始容量差异极小，约为 1%，使得预测值与实际 SOH 的偏差更小。而当使用电池 1 和电池 2 或电池 2 和电池 3 的数据集时，预测误差略高；使用包含三个电池的组合数据集时，虽然误差相对更高，但该数据集涵盖了更广泛的容量变化，更能反映实际场景。

与传统的基于 EIS 的等效电路模型（ECM）方法相比，基于 DRT 参数训练的 LSTM 模型在所有数据集上都实现了更低的误差指标。例如，在电池 1 和电池 2 的数据集上，传统方法的 MAE 为 1.518%，RMSE 为 1.676%，而新方法的 MAE 为 1.16%，RMSE 为 1.38%。这充分彰显了新方法在预测电池健康状况方面的优越性。

结尾

本研究结合DRT-EIS分析锂电池SOH，利用循环1000次后不同SOC下的DRT峰值，构建LSTM模型。三个电池测试集MAE为1.28%，RMSE为1.41%，SOH预测效果良好。未来将扩展至不同电池和测试条件，纳入更详细的电化学参数，深入研究电池退化机制，以提升电池健康监测和预测能力。欢迎分享您对锂电池技术的见解！