本研究报告旨在向同行研究者介绍一篇发表在 IEEE Transactions on Transportation Electrification（2022年12月，第8卷第4期）上的原创性研究论文。该论文题为《考虑温度和荷电状态影响的基于电化学阻抗谱的锂离子电池健康状态估计》，作者为 Qunming Zhang, Cheng-Geng Huang (IEEE会员), He Li (IEEE会员), Guodong Feng (IEEE高级会员) 以及 Weiwen Peng (IEEE会员)，所有作者均来自中山大学深圳校区智能系统工程学院及中山大学广东省消防科学技术与应急技术重点实验室。

一、 研究背景与目的 本研究的核心科学领域是电动汽车及储能系统用锂离子电池的状态监测与健康管理。电池的健康状态是保证其高效、可靠应用，尤其是延长其使用寿命的关键参数。近年来，基于电化学阻抗谱的技术已被证明是估计锂离子电池SOH的有效工具。然而，现有的基于EIS的方法大多未能充分考虑环境温度和电池荷电状态对阻抗谱的显著影响，导致这些方法在动态变化的环境条件下灵活性不足、估计精度受限。在实际应用中，电池的工作温度和SOC不断变化，忽略这些因素的影响会降低SOH估计模型的鲁棒性和准确性。

因此，本研究旨在解决这一核心问题。其具体目标为：提出一种新型的、综合考虑温度和SOC变化的、基于EIS的锂离子电池SOH估计方法。研究试图通过建立包含SEI膜电阻和电荷转移电阻的等效电路模型，并开发一个以电荷转移电阻、温度和SOC为输入的概率模型，来实现更灵活、更高精度的SOH估计。最终目标是为现实场景中动态环境下的电池管理系统提供更可靠的SOH信息。

二、 详细研究流程 本研究的工作流程严谨且系统，主要包括以下几个阶段：

第一阶段：实验设计与数据采集。 研究选用商业18650型（正极材料为NCM 532）锂离子电池作为研究对象，共包含4个全新电池样本。实验设置由电池测试恒温箱、电化学工作站（用于EIS测量）、电池测试系统（用于循环老化及容量测量）和计算机组成。

1. 循环老化测试： 所有电池在25°C下进行统一的循环老化。每个老化循环包括：以1C恒流充电至4.2V，随后恒压充电至电流低于0.04A；然后以3C恒流放电至截止电压2.75V。此过程旨在加速电池老化。
2. 容量标定： 每经过50次老化循环，对所有电池进行一次两阶段放电（先1C后0.5C）和完整的CC-CV充电，以精确测量其当前实际容量，从而计算真实的SOH（定义为当前容量与初始容量的百分比）。
3. 电化学阻抗谱测试： 每经过100次老化循环，对4个电池进行EIS测试。为了研究SOC和温度的影响，实验设计了一个多因素组合矩阵：将4个电池分别充电至不同的SOC水平（100%， 80%， 50%， 30%）；然后在每个SOC水平下，在10°C至55°C的多个温度点（间隔5°C）进行EIS测量。EIS测量的频率范围为0.1 Hz至5 kHz。这一设计使得研究团队能够收集到覆盖不同老化周期、不同SOC和不同温度的全方位阻抗数据，为后续建模奠定了坚实的数据基础。

第二阶段：ECM参数辨识与特征分析。 此阶段的核心是从测得的宽频EIS数据中提取能够表征电池老化、并对温度和SOC敏感的高层特征。

1. 等效电路模型建立： 研究采用了一个通用的锂离子电池ECM，包含欧姆内阻、描述SEI膜特性的Rsei-CPE1并联环节、描述电荷转移过程和双电层特性的Rct-CPE2并联环节，以及一个表示导线和电极感抗的串联电感。
2. 参数辨识算法： 为了从EIS数据中准确提取上述ECM参数（特别是Rsei和Rct），研究采用了序列二次规划算法进行模型拟合。通过构建以模型计算阻抗与实测阻抗之差的平方和为目标函数的优化问题，并在给定参数边界和初始值下进行求解，从而得到最优的ECM参数集。文章详细描述了参数边界的确定方法，确保了辨识过程的可靠性。
3. 特征选择与机理分析： 通过对辨识出的ECM参数与电池老化状态（SOH）进行关联分析，研究得出关键结论：
   • SEI膜电阻： 研究发现，Rsei在老化过程中变化复杂，尤其是在较高温度下基本保持不变或先降后平。这表明，由于SEI膜成分在老化过程中不断分解与再生，其电阻受老化条件和温度影响较大，不适合作为本研究中稳健的SOH估计特征。
   • 电荷转移电阻： 相比之下，Rct与电池老化周期（即SOH衰减）呈现出明显的正相关关系，尤其是在低温下。随着老化进行，活性锂离子损失和电极材料性能衰退使得电荷转移反应变得更加困难，直接导致Rct增大。这一现象与电池内部的锂库存损失老化模式密切相关。同时，Rct也表现出对温度和SOC的规律性依赖（例如，Rct与SOC呈U型关系）。因此，研究选定电荷转移电阻作为核心特征，用于构建同时考虑温度和SOC影响的SOH估计模型。

第三阶段：概率SOH估计模型构建与参数确定。 基于第二阶段的分析，本研究没有采用简单的确定性模型，而是创新性地构建了一个概率模型来刻画SOH与Rct、温度、SOC之间的映射关系，并量化估计的不确定性。

1. 模型形式确定： 通过观察数据，发现SOH与Rct之间大致符合指数衰减关系。因此，初步模型形式为：SOH = α * exp( β * exp(γ * T) * Rct )，其中T为温度，α， β， γ为待定参数，且参数可能随SOC变化。
2. 贝叶斯框架与参数采样： 为了更全面地描述这种关系并获取参数的后验分布，研究引入了哈密顿蒙特卡洛方法。HMC是一种高效的马尔可夫链蒙特卡洛方法，用于在贝叶斯框架下对复杂模型的后验分布进行采样。研究将SOH建模为一个以模型预测均值为中心、具有不确定性的正态分布。模型的输入为Rct、温度和SOC，输出为SOH的概率分布。使用全部电池70%的实验数据（涵盖不同老化状态、SOC和温度）对模型进行训练，通过HMC采样得到模型参数（α， β1， β2， β3， γ， σ）的后验分布，从而完全确定了概率SOH估计模型。

第四阶段：模型验证与结果分析。 使用剩余的30%数据（来自所有4个电池，涵盖多种SOC与温度组合条件）对所提模型进行验证。

三、 主要研究结果 1. EIS影响因素分析结果： 实验结果直观地展示了温度、SOC和老化对阻抗谱的显著影响。温度降低导致阻抗谱图中的两个容抗弧半径显著增大，尤其是低于25°C时，表明电化学反应速率下降。SOC主要影响第二个容抗弧（对应电荷转移过程），其半径随SOC变化呈先减小后增大的趋势。老化则导致第二个容抗弧半径持续增大，反映了电荷转移过程随锂离子损失而日益困难。 2. ECM参数辨识与特征分析结果： ECM能够高精度地拟合所有条件下的阻抗谱。参数辨识结果显示，Rct随老化周期增加而单调递增，且与温度、SOC有明确的关联规律，这从机理上支持了将其作为核心特征的选择。而Rsei的变化则不规则，印证了其不适合作为本模型估计特征的判断。 3. SOH估计模型性能结果： 所提出的概率模型在验证集上表现出优异的性能。在同时考虑温度和SOC影响的所有测试条件下，SOH估计误差约为4%。更重要的是，在特定有利条件下（例如30°C， 80% SOC），估计误差可低至1.29%。研究还绘制了不同测试条件下的平均误差分布图，显示在SOC介于50%-80%、温度介于20°C-40°C的典型工作区间内，估计误差普遍小于3%，精度更高。 4. 对比分析结果： 与现有基于EIS的方法（如仅使用特定频率阻抗点的ANN或GPR方法）相比，本研究提出的方法由于利用了宽频EIS信息并显式建模了温度和SOC的影响，实现了更高的估计精度和更好的环境适应性。文章通过表格对比，清晰地展示了所提方法的优越性。

四、 研究结论与价值 本研究成功提出并验证了一种创新的、基于EIS的锂离子电池SOH概率估计方法。该方法的核心贡献在于首次在EIS-based SOH估计中同时、定量地考虑了环境温度和电池SOC的动态影响。通过建立Rct与SOH之间的指数关系模型，并利用HMC在贝叶斯框架下进行概率建模，该方法不仅能够提供SOH的点估计，还能量化估计的不确定性。

研究的科学价值在于：1) 深入揭示了温度、SOC和老化对电池EIS特征（特别是电荷转移电阻）的影响机制，深化了对电池老化行为的理解；2) 为基于EIS的电池状态估计提供了一种新的研究视角，即从固定频率点特征转向对宽频ECM参数的利用，并从确定性模型转向概率模型，增强了方法的鲁棒性和信息丰富度。

其应用价值显著：所开发的方法能够适应电动汽车等实际应用中的动态环境，为电池管理系统提供更准确、可靠的SOH信息，有助于实现更优的电池充放电管理、热管理和寿命预测，最终提升电池系统的安全性、效率和寿命。

五、 研究亮点 1. 方法创新性： 这是首个（据作者所知）在基于EIS的SOH估计中同时、显式建模温度和SOC影响的研究，解决了该领域的一个关键挑战。 2. 特征选取的洞察力： 通过系统的ECM参数辨识和机理分析，明智地选择了电荷转移电阻而非SEI膜电阻作为核心老化特征，该特征对老化敏感且与温度、SOC有明确关联。 3. 概率建模框架： 采用贝叶斯概率模型和哈密顿蒙特卡洛采样，不仅提供SOH估计值，还给出了估计不确定性，为BMS的决策提供了更丰富的信息层，符合工程实际中对可靠性评估的需求。 4. 实验设计系统性： 实验设计涵盖了老化、SOC和温度三个维度的完整矩阵，产生了高质量、全面的数据集，为模型开发和验证提供了坚实的基础。 5. 显著的性能提升： 在广泛测试条件下实现了约4%的误差，并在适宜条件下达到接近1%的极高精度，性能优于现有对比方法。

六、 其他有价值内容 论文在讨论部分也客观指出了当前方法的局限性：其ECM参数辨识依赖于离线的、稳态的宽频EIS测量，需要高精度设备，目前难以直接在线应用。然而，作者指出，随着嵌入式EIS测量硬件电路技术的发展，未来有望将此类高精度方法集成到实际BMS中。这为后续研究指明了方向：开发适用于在线应用的快速EIS测量技术与简化但有效的模型。总体而言，这项研究为高精度、适应动态环境的电池健康管理迈出了坚实的一步。