基于应变解耦与协同深度学习网络的锂离子电池应变状态估计
《Journal of Energy Storage》:Strain state estimation of lithium-ion batteries based on strain decoupling and a collaborative deep learning network
【字体:
大
中
小
】
时间:2026年10月01日
来源:Journal of Energy Storage 10.7
编辑推荐:
- 一种应变解耦策略将可逆成分与不可逆成分分离。
- 一个CNN-Seq2Seq网络嵌入了不可逆应变退化先验。
- 仅用电压感知消除了电池组内昂贵的应变或压力传感器。
- 该方法达到1.40%的RMSE,优于五种深度学习基准。
- 跨工况迁移使RMSE在温度和倍率范围内保持在
- 一种应变解耦策略将可逆成分与不可逆成分分离。
- 一个CNN-Seq2Seq网络嵌入了不可逆应变退化先验。
- 仅用电压感知消除了电池组内昂贵的应变或压力传感器。
- 该方法达到1.40%的RMSE,优于五种深度学习基准。
- 跨工况迁移使RMSE在温度和倍率范围内保持在1.87%–2.58%。
## 引言
锂离子电池凭借其高能量密度、长循环寿命和低自放电率[1],已被广泛应用于电动汽车、电网级储能和便携式电子设备中。在实际应用中,电池单体通常被封装在受到特定机械约束的模组结构内[2],充放电循环中产生的应变无法得到有效释放。过大的机械应变不仅会加速短期性能衰减和长期循环寿命下降[3][4],还可能引发电解液泄漏和热失控等严重安全事故[5]。因此,精确的应变状态监测对于电池安全预警和全生命周期健康管理具有重要的价值。
获取电池应变状态最直接的方法是部署机械传感器。Hendricks等人[6]将双向应变片安装在电池壳体的中段,以实时监测充放电循环中的壳体应变。然而,单点测量仅能捕捉局部变形,无法反映电池整体的应力状态。为克服这一局限,Cannarella等人[7]在刚性约束的软包电池堆叠中串联接入压力传感器,通过获取平均堆叠应力实现对健康状态(SOH)和荷电状态(SOC)的监测。但该方案依赖外部刚性夹具,且仍无法解析内部应变分布。Yu等人[8]在软包电池的石墨负极内嵌入了分布式光纤传感器,揭示了内部电极应变场的空间非均匀性。在更精细的三维尺度上,Finegan等人[9]采用高速operando同步辐射X射线计算机断层扫描结合数字体积相关(DVC)技术,定量追踪了放电过程中的电极应变演化、裂纹扩展和集流体分层。然而,该技术需要大型同步辐射设施,不适合常规在线监测。尽管上述方法在测量维度和空间分辨率方面逐步推进,但它们共同受到高成本、复杂集成工艺和长期可靠性问题的制约[10][11],限制了其在商业电池系统中的大规模部署。因此,研究人员探索了基于可测量电信号的应变监测方法,主要分为物理模型方法和数据驱动方法两类。在物理模型类别中,研究人员构建了具有明确物理可解释性的机械模型来表征和估计电池应变状态。Mohan等人[12]利用等效弹簧-杆结构,开发了锂离子电池组整体机械行为的唯象模型。该模型解析地量化了与SOC相关的嵌锂应变和热应变对力信号的贡献。通过将动态和静态子模型相结合,他们提出的方法改进了纯静态模型的力信号预测精度。Oh等人[13]提出了一阶粘弹性松弛模型来表征锂离子电池在静置期间的动态应变演化,最大预测偏差达到0.75μm。Jiang等人[14]采用基于堆叠压力的等效机械模型进行电池应变估计,在动态应变仿真中RMSE低于1μm。然而,由于阻尼参数辨识需要高精度设备,其工程适用性受到限制。Oh等人[15]提出了一种模块级膨胀力估计的一维唯象模型。该模型通过串联和并联的线性与非线性弹簧网络来表征果冻卷、壳体和隔板的应力响应,同时联合建模热应变和嵌锂应变。该模型实现的单体级预测RMSE约为最大力的1.5%,尽管在高预载荷非线性条件和老化场景下精度有所下降。尽管这些基于物理的方法具有清晰的机械可解释性,但需要高精度实验设备和繁琐的校准程序来进行参数辨识。
研究人员还探索了利用机器学习和深度学习[16]建立电信号与电池应变状态之间非线性映射的数据驱动方法。Dai等人[17]构建了基于电流、SOC和状态信息的多变量回归模型进行动态应力估计,实现了从表面应力测量中估计SOC。Ee等人[18]开发了以应变、应变率和温度为输入的深度学习网络(DNN)模型进行SOC估计,RMSE达到1.02%。Xu等人[19]提出了一种基于最小二乘支持向量机(LSSVM)的模型,从SOC和电流中预测应力,其中SOC估计误差直接影响预测精度。Gong等人[20]采用长短期记忆(LSTM)网络,以电压、电流和应力作为输入,对软包锂离子电池进行SOC估计,MAE和RMSE分别控制在0.34%和0.45%以内。Yi等人[21]提出了一种基于高斯过程回归(GPR)的SOC估计模型,利用电压和应变。然而,该模型在不同环境温度下表现出较大的测量误差,限制了其在宽温度范围条件下的适用性。Cai等人[22]采用了以SOC、电流和校准应力为输入的最小二乘支持向量回归(LSSVR)模型进行无传感器应力估计,在30–120 kPa的预载荷范围内实现了RMSE低于1 kPa。这些数据驱动方法需要电流、温度和应力等物理测量值作为模型输入,导致数据采集成本较高。此外,一些方法将SOC作为无法直接测量的中间变量引入,会带来额外的估计误差并传播到最终输出。此外,无论是基于物理的方法还是数据驱动的方法,主要将电池应变视为单一的宏观响应,未区分各个应变组分,这损害了估计精度以及电池全寿命周期内的一致性。
为应对上述挑战,本文研究了电压对可逆应变和不可逆应变的差异化响应机制,提出了一种应变解耦策略和卷积神经网络–序列到序列(CNN-Seq2Seq)协同网络架构,以实现仅以电压为唯一输入的全生命周期电池应变状态估计。本文的贡献如下:
(1)提出了一种应变解耦策略,将应变重新表述为可逆应变和不可逆应变的双尺度联合估计,有效抑制了因组间耦合导致的精度下降。
(2)构建了一种CNN-Seq2Seq协同网络架构,在该架构中融入了退化先验,使网络能够根据当前老化阶段进行条件约束,从而实现仅凭电压精确估计全生命周期应变状态。
本文其余部分安排如下:第2节介绍电池数据集和底层物理耦合机制;第3节阐述所提出的CNN-Seq2Seq协同网络框架;第4节报告实验结果;第5节得出结论。
## 章节摘要
### 电池数据集
本文使用的数据集来源于密歇根大学电池实验室公开发布的公开数据库[23]。测试对象为石墨/镍-锰-钴(NMC)锂离子电池,额定容量为5.0 Ah,工作电压范围为3.0–4.2 V。详细规格见表1。测试矩阵涵盖多个运行变量,包括充放电倍率、环境温度、放电深度(DOD)和预载荷。
### 所提出的框架
本文提出了一种基于应变解耦的CNN-Seq2Seq协同网络架构,以电压信号作为唯一输入,用于全生命周期电池应变状态估计。如图4所示,所提出的框架包含三个模块:数据采集、协同网络和估计输出。首先采集电压、应变、电流和容量信号,然后对原始数据进行包括清洗、重采样和归一化在内的预处理,以确保数据质量。
### 评估指标
在验证过程中,电压样本在整个完整充放电循环中以均匀间隔采集作为应变特征,每循环共采集120个数据点,以降低数据维度并提高计算效率。采用最小-最大归一化进行特征预处理。为定量评估所提方法的准确性,采用RMSE和MAE作为评估指标,分别定义于式(13)和式(14)。具体而言,RMSE用于衡量预测值与真实值之间的均方误差。
## 结论
本文提出了一种基于应变解耦策略和CNN-Seq2Seq协同网络架构的锂离子电池应变状态估计方法。应变解耦策略利用CNN从电压曲线中提取不可逆应变特征向量,并将其作为退化先验嵌入Seq2Seq-GRU网络中。在这些先验条件下,Seq2Seq-GRU感知当前的退化阶段,从而实现高精度的全生命周期应变状态估计。
## CRediT作者贡献声明
Meng Jinhao:撰写——初稿。Zhao Binting:撰写——初稿。Peng Jichang:撰写——初稿,方法论。Cai Lei:方法论。Liu Haitao:撰写——审阅与编辑。Zhang Ming:撰写——审阅与编辑。
## 基金资助
本工作得到了内蒙古自治区科学技术计划项目(项目编号:2026YFHH0010)、江苏省高校基本科研(自然科学)研究项目(项目编号:25KJA470003)、国家自然科学基金(项目编号:62372369和52477222)以及江苏高校青蓝工程项目的资助。
## 利益冲突声明
作者声明不存在任何可能影响本文工作的已知竞争性经济利益或个人关系。
## 致谢
所有作者均已阅读并批准本手稿。
Meng Jinhao | Zhao Binting | Peng Jichang | Cai Lei | Liu Haitao | Zhang Ming
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号