首页 > 资讯 > 一种基于EIS的领域自适应退役电池健康状态估计方法

一种基于EIS的领域自适应退役电池健康状态估计方法

泰然健康网
2025-08-02 07:48

本发明涉及退役电池性能评估领域，具体涉及一种基于eis的领域自适应退役电池健康状态估计方法。

背景技术：

1、随着电动汽车和规模化储能系统的快速发展，锂离子电池的健康状态估计(stateof health，soh)成为保障系统安全与提升经济价值的关键技术。soh作为衡量电池老化程度的核心指标，直接决定了电池的剩余寿命和梯次利用潜力。

2、传统方法如容量衰减监测或内阻测量虽被广泛应用，但是容量测试需耗时充放电循环且难以在线实施，而内阻模型对工况波动敏感且无法解析电池内部电化学机制的微观退化。近年来，电化学阻抗谱(electrochemicalimpedance spectroscopy，eis)技术因其非侵入式、高信息密度的特性备受关注，它通过宽频域激励信号捕捉电池动力学响应，其奈奎斯特图中蕴含的欧姆阻抗、电荷转移阻抗和扩散阻抗特征与电极界面副反应、活性材料损失的老化机制深度耦合。然而，现有基于eis的soh估计仍面临多重挑战：传统整数阶等效电路模型难以精准描述电池极化行为的分数阶特性，导致高频区扩散过程拟合误差；阻抗谱测试易受荷电状态(state of charge，soc)、温度及历史工况干扰，导致跨工况场景下soh估计模型泛化能力不足。

3、针对上述问题，分数阶等效电路模型的引入为机理建模提供了新思路。通过使用恒相位元件(constant phase element,cpe)替代传统电容，其阻抗特性可更精确表征电极-电解液界面的非理想电容行为和扩散过程，建模锂沉积、固体电解质界面膜增厚的退化机制，但现有研究多聚焦于新电池建模，退役电池在实际应用中经历的多变工况导致电池之间存在分布偏移，对退役电池分数阶参数与soh的非线性映射关系尚未形成系统性认知。如何将电化学机理与数据驱动方法深度融合，构建可解释、强泛化的跨工况soh估计框架，仍是当前研究的空白。

技术实现思路

1、针对现有技术的不足，本发明提出了一种基于eis的领域自适应退役电池健康状态估计方法，通过非线性最小二乘拟合分数阶等效模型的电化学阻抗谱，采用pearson相关性分析与递归特征消除获取最佳健康因子，构建领域自适应的电池健康状态估计模型，实现可解释、强泛化的跨工况退役电池soh估计。

2、一种基于eis的领域自适应退役电池健康状态估计方法，包括以下步骤：

3、步骤1、采用恒流-恒压模式充电至截止电流0.05a，确保锂离子在电极中均匀分布，消除soc差异对电化学阻抗谱的影响。充电完成后断开电路静置，使极化效应充分弛豫；在0.02hz到20khz的频率范围，每十倍频程10个频率点，设置激励信号幅值为10mv，获得电化学阻抗谱数据m表示频率点数量。

4、步骤2、构建退役电池的分数阶等效电路模型：

5、l1+r1+(r2//cpe1)+(r3//cpe2)+w

6、其中，+表示串联，//表示并联。cpe表示恒相位元件，r表示电阻，l表示电容，w表示warburg扩散元件。

7、作为优选，构建如下退役电池的分数阶等效电路模型：

8、l1+r1+(r2//cpe1)+(r3//c1)+((r4+w)//cpe2)

9、其中，l1表征引线寄生电感，r1表示欧姆阻抗，r2表示sei膜离子传输电阻，r3是电荷转移电阻，r4是体相材料接触电阻，c1是双电层电容。cpe1表征sei膜的非理想电容行为，cpe2量化电极孔隙结构老化导致的低频非理想极化行为，恒相位元件cpea的阻抗为：

10、

11、其中，a＝1、2，0<na<1，反映膜层结构异质性，qa是恒相位元件cpea的电导，即阻抗的倒数。

12、warburg扩散元件w的阻抗表示为一个与频率相关的阻抗zw，形式如下：

13、

14、其中，zw是warburg扩散元件w的阻抗。σw是warburg系数，它与扩散系数、电极面积和扩散层厚度有关。τw是warburg时间常数，与扩散层厚度和扩散系数有关。

15、所述分数阶等效电路模型的总阻抗zmodel为：

16、

17、步骤3、拟合电化学阻抗谱，提取分数阶等效电路模型参数。

18、步骤4、针对步骤3提取的分数阶等效电路模型参数，计算各参数与电池soh的pearson线性相关系数rp：

19、

20、其中，θc表示第c次循环的模型参数，表示参数的平均值，sohc表示第c次循环的健康状态，表示所有循环soh的平均值，c是循环次数。对于|rp|>0.7的模型参数，认为是显著性参数，进行保留。其他参数剔除，排除噪声干扰项。

21、步骤5、计算模型的均方误差mse，采用递归特征消除和支持向量回归对步骤4保留的模型参数进行二次精筛。

22、步骤6、构建基于相关对齐的退役电池健康状态领域自适应模型，将源域中运行工况的主要老化机制对容量衰减映射关系，有效地迁移到目标域，具体的：

23、通过公共特征提取器ft获取源域和目标域的特征xs和xt。所述源域为实验室可控条件下采集的电池老化电化学阻抗谱数据，包含完整的soh标签；目标域为动态温度、变负载、随机充放电的实际复杂工况下的电池运行数据。获取源域和目标域特征的协方差矩阵cs和ct：

24、

25、其中，xs和xt分别表示源域和目标域的特征，μs和μt分别表示源域和目标域特征的平均值，ns、nt分别表示源域和目标域的特征维度。

26、通过相关对齐调整源域和目标域特征的协方差矩阵，减少两者之间的分布差异将源域特征分布映射到目标域特征分布空间，提升模型在目标域上的泛化能力：

27、

28、其中，||·||f为f范数，d为特征维度。随后通过线性变换将源域特征协方差矩阵匹配到目标域：

29、

30、将对齐后的目标域特征输入到多层感知机，进行soh估计。

31、步骤7、使用源域工况退役电池对模型训练，均方差损失作为损失函数，adam作为优化器，梯度反向传播算法更新模型的参数。使用训练好的模型退役电池进行soh估计。

32、本发明具有以下有益效果：

33、基于电化学阻抗谱的领域自适应退役电池健康状态估计方法，通过电化学机理-大数据分析-领域自适应三重融合，攻克了退役电池soh估计中精度低、泛化差、可解释性弱的行业难题，实现复杂工况下退役电池soh的高精度、跨场景鲁棒性估计，为电动汽车与规模化储能系统的智能化运维提供了可靠技术工具。

技术特征：

1.一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：包括以下步骤：

2.如权利要求1所述一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：采用恒流-恒压模式充电至截止电流0.05c；充电完成后断开电路静置；在0.02hz到20khz的频率范围，每十倍频程10个频率点，设置激励信号幅值为10mv，获取电化学阻抗谱数据。

3.如权利要求1所述一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：所述退役电池的分数阶等效电路模型为：

4.如权利要求1所述一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：所述退役电池的分数阶等效电路模型为：

5.如权利要求1所述一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：提取分数阶等效电路模型参数的方法为：

6.如权利要求5所述一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：所述迭代增量δθ通过求解以下线性方程组得到：

7.如权利要求1所述一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：使用实验室可控条件下采集的有标签电池老化电化学阻抗谱数据作为源域，动态温度、变负载、随机充放电的实际复杂工况下的无标签电池运行数据作为目标域；通过公共特征提取器ft获取源域和目标域的特征xs和xt，计算表示源域和目标域特征的平均值μs和μt，获得源域和目标域特征的协方差矩阵cs和ct：

8.如权利要求1所述一种基于eis的领域自适应退役电池健康状态估计方法，其特征在于：使用adam作为优化器，通过梯度反向传播算法更新模型的参数。

9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1～8中任一项所述的方法。

技术总结
本发明公开了一种基于EIS的领域自适应退役电池健康状态估计方法，首先提取退役老化电池的电化学阻抗谱数据。然后构建分数阶电池等效电路模型，通过恒相位元件增强对电极界面动力学退化的表征能力。基于非线性最小二乘拟合从电化学阻抗谱数据中提取分数阶电池等效电路模型参数，采用Pearson相关性分析筛选与SOH具有显著关系的参数，再使用递归特征消除方法做进一步的筛选，从高维参数集中提取与健康状态强关联的最优参数子集。最后构建领域自适应方法的退役电池健康状态估计方法，并通过知识迁移，建模不同运行工况对电池老化的影响，实现兼具物理可解释性与工况鲁棒性的跨工况退役电池健康状态估计。

技术研发人员：何志伟,官思伟,高明裕,董哲康,林辉品
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2025/7/31