本研究于2022年发表在学术期刊《Nature Communications》上，主要作者是来自英国剑桥大学物理系的Penelope K. Jones和Alpha A. Lee，以及纽卡斯尔大学的Ulrich Stimming教授。
科学领域与问题意识 本研究属于电池信息学、电池健康管理和预测领域。随着电动汽车的快速普及，准确预测锂离子电池的性能对于缓解消费者对安全性、可靠性和里程焦虑的担忧至关重要。然而，当前绝大多数关于电池健康预测的研究都集中在研发环境，即所有电池单元遵循相同、恒定的充放电模式。在实际应用中，无论是不同车辆之间，还是同一电池包内的不同电芯之间，其使用模式都存在巨大差异。这种“不均匀使用”的现实给性能预测带来了巨大挑战。传统方法通常依赖于一个标量化的健康状态指标，但具有相同SOH值的电池，其内部发生的具体衰减机制（如锂枝晶析出、电极开裂等）可能截然不同，而这些不同的衰减模式会显著影响电池对未来使用条件的响应。因此，需要一个非侵入性的、能够捕捉微观层面电池状态的方法来准确预测未来性能。
研究目标 本研究旨在解决一个核心问题：是否存在一种足够丰富的信息标记物，能够在未知历史使用模式且未来使用模式多变的情况下，用于准确预测锂离子电池的短期及长期性能？研究的主要目标是开发和验证一种结合电化学阻抗谱测量与概率机器学习的方法，以实现在仅需一次EIS测量、无需历史使用数据的前提下，仅根据未来的充放电协议来预测电池未来的放电容量，并输出可靠的预测不确定性。
本研究工作流程系统，涉及电池循环测试、数据收集、特征构建、模型训练和多个维度的模型验证。
1. 数据生成与电池循环测试
研究团队为验证方法的鲁棒性，选取了两个不同制造商生产的商用LIR纽扣电池，生成了两个独立的数据集。 * 第一数据集 (PowerStream制造商): 使用40枚标称容量为35mAh的电池。其中，24枚电池在室温(23 ± 2 °C)下进行110-120次全充放电循环。每次循环遵循一个“诊断-使用”协议： * 诊断阶段: 在完全放电状态下，施加频率范围为0.02 Hz至20 kHz的57个频率的正弦交流电（振幅5 mA），测量并记录该状态下的电化学阻抗谱。随后，测量充满电状态下的EIS。 * 使用阶段: 采用“两阶段恒流充电+单阶段恒流放电”的随机协议。 * 充电: 两个阶段均为恒流充电，时间各不超过15分钟。阶段一电流随机选自2C-4C（70-140 mA），阶段二电流随机选自1C-3C（35-105 mA）。若电压提前达到4.3 V安全阈值则停止。 * 放电: 采用恒流放电，电流随机选自1C-4C（35-140 mA），直至电压降至3.0 V。 * 为测试模型对“领域偏移”的鲁棒性，另外16枚同款电池在除放电电流固定为1.5C外，其他条件相同的协议下循环。 * 第二数据集 (RS Pro制造商): 使用48枚标称容量为40mAh的电池，以测试模型对不同制造商、更广泛使用模式和工作温度的鲁棒性。 * 循环协议结构与第一数据集类似，但关键区别在于，不同组的电池被施加不同分布的随机电流，以模拟不同用户具有不同平均使用模式但每周期行为仍随机变化的真实场景。这使得预测任务更具挑战性。 * 此外，其中16枚电池在更高的温度(35 °C)下循环，以测试模型的温度外推能力。
总计，本研究基于88枚商业电池，在高度动态和受控变化的条件下，生成了超过10,000个电池周期的数据，并贡献了一个宝贵的公开数据集。
2. 机器学习建模框架
研究将预测问题构建为一个回归任务。核心是训练一个概率机器学习模型，学习映射关系：Q_n = f(S_n, A_n)。 * S_n：电池在第n个周期开始时的状态向量。核心状态表征由第n周期充电前在放电状态下测量的EIS谱构成，即57个频率下阻抗的实部和虚部串联形成的114维向量。 * A_n：第n周期的未来“动作”，即该周期的充电和放电电流序列。 * Q_n：第n周期结束时的实测放电容量。
使用的算法与模型: 研究采用了集成学习方法，使用10个XGBoost模型构成集成模型。每个XGBoost模型包含500个估计器，最大深度为100。这种集成方法不仅提供了最终的容量预测值（10个模型预测的均值），还输出了预测的不确定性（10个模型预测的标准差）。模型的性能评估采用决定系数R²和百分比测试误差。
3. 状态表征对比分析
为了评估EIS作为状态表征的优越性，研究将其与文献中常用的多种状态表征方法进行了系统对比，包括： * 简单标量: 前一周期容量、累计容量吞吐量、标量健康状态。 * 放电曲线特征: 采用当前最先进方法（借鉴自Severson等人），从上一个周期的容量-电压放电曲线中提取特征，如最大/最小电压、容量向量的方差和对数四分位距、拟合S型曲线的参数等。 * 等效电路模型参数: 将EIS谱分别拟合到Randles电路和扩展Randles电路，使用拟合得到的电路参数作为状态表征。
4. 多层次模型验证
研究设计了严谨的验证方案来全面评估模型： * 基础预测能力: 验证仅用EIS状态和未来协议预测下一周期容量的准确性。 * 多步预测能力: 探索预测未来多个周期（如40个周期后）容量的能力。 * 数据效率: 测试达到特定精度所需的最少训练电池数量。 * 领域偏移鲁棒性: 使用在固定放电电流（与训练集的随机放电分布不同）下循环的电池数据测试模型。 * 制造商与使用模式鲁棒性: 在第二个制造商的数据集上测试，并特意将训练集和测试集按不同的平均使用模式分布进行分层划分。 * 温度外推鲁棒性: 使用在35°C下循环的电池测试仅用室温数据训练的模型。
1. EIS能够有效预测未来性能，且状态与未来协议缺一不可 模型使用EIS状态向量和未来协议作为输入时，对下一周期放电容量的预测平均误差为8.2% (R² = 0.83)。至关重要的是，研究发现电池的内部状态（EIS表征）和外部选择的使用方式（未来协议）对于准确预测缺一不可。当仅使用EIS状态（不考虑未来怎么用）时，测试误差上升到20.7%；当仅使用未来协议（不考虑电池当前健康状况）时，测试误差为15.4%。这有力地证明了电池性能是当前内部健康状态与未来外部使用条件共同作用的结果。
2. 模型具备长期预测能力 模型不仅限于下一周期预测。当输入当前EIS状态和未来j个周期的充放电协议时，模型能够对更长期的容量进行预测。结果显示，即使预测未来40个周期的容量，模型仍能保持R² = 0.75的较高相关性，表明EIS捕捉的状态信息对未来长期性能具有指示性。
3. 数据高效且对领域偏移鲁棒 * 数据效率: 模型仅需8枚电池的训练数据即可将测试误差降至10%以下。随着训练电池数量增加至22枚，误差进一步降至8.2%。 * 领域偏移鲁棒性: 当模型在随机放电数据上训练，而在固定放电（1.5C）的全新电池数据上测试时，取得了6.3% 的优异测试误差 (R² = 0.76)。这表明模型能够泛化到与训练分布不同的使用模式。 * 不确定性校准有效: 模型输出的预测不确定性能够有效指示预测的可信度。当仅保留模型最自信的25%预测点时，均方根误差降低了32%，说明模型能“知道自己不知道什么”。
4. EIS是优于其他表征的信息丰富状态标记物 与其他状态表征方法的对比结果（表1）清晰地表明了EIS的优势： * 对比标量SOH: 使用EIS+协议的误差为8.2%，而使用标量SOH+协议的误差为12.4%。这表明单一的标量健康状态无法充分描述决定电池未来响应的复杂内部状态。 * 对比放电曲线特征: 当前最先进的放电曲线特征结合协议，取得了8.8%的竞争性误差。然而，EIS结合协议（8.2%）略优。 * 对比等效电路模型参数: 将EIS谱简化为等效电路模型参数（Randles或扩展Randles）会导致信息丢失，预测误差分别增至10.7%和8.4%。 * 特征互补性: 一个关键发现是，EIS特征与放电曲线特征是互补的。将两者结合（EIS + CVF + 协议）可将测试误差从单独使用EIS的8.2%进一步降至6.7%。结合所有可用特征时，最优误差可达6.2%。这表明EIS捕捉了电池在某个“静态”放电状态下的丰富阻抗信息，而放电曲线则反映了电池从充满到放空这个“动态路径”上的演变信息，两者结合能构建更全面的状态画像。
5. 模型对制造商、平均使用模式和温度变化具有鲁棒性 在第二个制造商（RS Pro）的数据集上进行的验证取得了定性一致的结论： * 在随机划分测试集的情况下，EIS+协议模型表现良好。 * 在更具挑战性的“分层划分”场景下（测试集电池的平均使用模式与训练集不同），EIS+协议模型的误差（21.1%）显著低于仅使用放电曲线特征的模型（27.7%）。 * 在温度外推测试中，模型的鲁棒性尤为突出。仅使用室温数据训练、在35°C电池数据上测试时，仅用放电曲线特征的模型误差高达34.2%，而结合了EIS的模型误差大幅降低至14.0%-14.6%。这强烈暗示EIS信号中隐含了与温度相关的信息，使其成为一种更具普适性的状态表征。
核心结论 本研究的核心结论是：电化学阻抗谱能够作为锂离子电池内部健康状态的强有力、高维度的信息标记物。 结合概率机器学习模型，可以在无需任何历史使用数据、仅凭一次充电前的EIS测量和未来的充放电协议，对电池的短期和长期性能（放电容量）进行准确预测，并给出校准后的不确定性估计。这项工作从根本上挑战了使用单一标量健康状态来量化电池健康的传统观念，提出电池状态应由一个多维状态向量来更准确地描述。
科学价值与应用意义 * 科学价值: 1. 提出新范式: 为电池健康预测研究提供了一个新范式：从依赖历史充放电数据的模型，转向基于即时、高信息密度物理测量（如EIS）的模型。 2. 挑战标量SOH: 通过实验数据证明了标量SOH在预测可变使用条件下的未来性能方面存在局限性，强调了多维状态表征的必要性。 3. 贡献宝贵数据: 公开了在高度动态、不均匀使用条件下生成的大规模电池循环数据集，填补了该领域公开数据的空白，可供后续研究使用。 * 应用价值: 1. 电池管理系统: 研究表明，在BMS中集成能够测量EIS的电路，可以极大提升对电池状态的感知能力，从而实现更精准的健康状态估计、寿命预测和充电优化。 2. 快速充电优化: 该框架可用于预测不同快充协议对下一周期容量和长期衰减的影响，从而在充电速度与电池寿命之间寻找最优平衡。 3. 电池梯次利用: 在评估退役电池进行二次利用时，无需了解其复杂的历史使用记录，仅通过EIS测量即可快速、可靠地评估其剩余性能和适用场景。 4. 应对真实世界复杂性: 模型对使用模式分布变化、温度变化和不同制造商的鲁棒性，为其在实际电动汽车复杂多变环境中的应用提供了有力支持。