基于电压弛豫数据驱动的商用锂离子电池容量估计研究学术报告
一、 研究团队与发表信息
本研究由来自同济大学、卡尔斯鲁厄理工学院、不列颠哥伦比亚大学、布伦瑞克工业大学、北京航空航天大学以及慕尼黑工业大学（海因茨·迈尔-莱布尼茨中子源中心）等多个机构的国际团队合作完成。主要作者包括 Jiangong Zhu, Yixiu Wang, Haifeng Dai（通讯作者）, Michael Knapp（通讯作者）等。该研究成果以“Data-driven capacity estimation of commercial lithium-ion batteries from voltage relaxation”为题，于2022年发表在学术期刊 Nature Communications 上。
二、 学术背景与研究目标
本研究属于锂离子电池健康状态（State of Health, SOH）监测与估计领域。锂离子电池作为电动汽车（EV）等应用的核心储能部件，其性能会随着使用发生不可逆的衰减。准确估计电池的剩余容量（通常作为SOH的关键指标）对于预测电动汽车续航里程、确保电池系统可靠安全运行至关重要。传统的容量估计方法通常依赖于完整的充放电循环来获取容量，但在实际车辆使用中，受用户行为和工况影响，电池很少经历完整的放电过程，使得在线容量估计面临挑战。
鉴于电池充电（尤其是充满电）在电动汽车使用中比放电过程更频繁、更易预测，许多研究尝试从充电电压曲线中提取特征来估计容量。然而，这些方法通常依赖于特定的充电策略（如恒流充电）或特定的电压区间，而实际充电的起始点（SOC状态）和充电策略（如多阶段充电）具有不确定性，限制了其普适性。相比之下，电池在充满电后的电压弛豫（即静置期间电压随时间自然下降）过程相对不受充电过程影响，且易于从电池管理系统（BMS）中获取，无需额外设备。
因此，本研究旨在提出并验证一种仅利用电池充满电后的短期电压弛豫曲线特征，无需先前循环历史信息的数据驱动容量估计方法。核心目标是通过机器学习模型，从弛豫电压曲线中提取统计特征来高精度估计电池容量，并验证该方法在不同类型商用电池上的泛化能力。
三、 详细研究流程
本研究流程严谨，主要包含数据生成、特征提取、模型构建与验证、物理机理解释以及迁移学习应用等多个环节。
1. 数据生成与实验设计： 研究使用了总计130个商用18650圆柱形锂离子电池，根据正极材料分为三个数据集： * 数据集1（模型构建集）： 基于 LiNi0.86Co0.11Al0.03O2 (NCA) 正极的电池，共66个。在不同温度（25°C, 35°C, 45°C）和不同充电倍率（0.25C, 0.5C, 1C）下进行长期循环测试，放电倍率固定为1C。循环策略为：恒流（CC）充电至4.2V，随后恒压（CV）充电至电流降至0.05C，静置30分钟，然后恒流放电至截止电压（2.65V）。每次充满电后的30分钟静置期间的电压曲线被记录为一个数据单元，每个数据单元对应后续的放电容量（即真实容量）。数据集1共包含超过2.2万个数据单元，旨在覆盖不同工作条件导致的电池退化路径差异。 * 数据集2和3（验证集）： 用于评估方法的泛化能力。 * 数据集2： 基于 LiNi0.83Co0.11Mn0.07O2 (NCM) 正极的电池，共55个。在25°C, 35°C, 45°C下以0.5C充电/1C放电循环。 * 数据集3： 基于 Li(NiCoMn)O2 与 Li(NiCoAl)O2 混合正极的电池，共9个。在25°C下以0.5C充电，分别以1C, 2C, 4C放电循环。 所有电池循环至其容量衰减至标称容量的71%左右停止，以涵盖显著的容量衰减范围。电压和电流是记录的基本数据。
2. 特征提取： 研究选择从每次充电后的电压弛豫曲线中提取六个统计特征作为机器学习模型的输入，而非使用原始时间序列电压数据。这六个特征是：方差（Variance, Var）、偏度（Skewness, Ske）、最大值（Maxima, Max）、最小值（Minima, Min）、平均值（Mean）和超额峰度（Excess Kurtosis, Kur）。这些特征能够数值化地表征弛豫电压曲线的形状和位置变化。研究表明，这些特征与电池容量之间存在复杂而非简单线性的关系，且关系受循环条件（温度、倍率）影响。例如，方差（Var）随容量衰减而减小，表明电压点分布更集中；偏度（Ske）大多为正，反映了弛豫电压曲线先快速下降后缓慢下降的形状；最大值（Max）随容量衰减单调下降。通过特征组合筛选，最终确定 方差（Var）、偏度（Ske）和最大值（Max） 这三个特征组合能取得最佳的容量估计效果，且更长的弛豫时间（如30分钟）有助于提高模型精度。
3. 基础模型构建与容量估计： 使用数据集1来构建和测试基础机器学习模型。采用了三种算法：线性模型（弹性网络，ElasticNet）和两种非线性模型（XGBoost和支持向量回归，SVR）。为确保模型评估的可靠性，采用了“电芯分层抽样”的数据划分策略，即将同一电芯的所有数据要么全部放入训练集，要么全部放入测试集，以防止数据泄漏。通过5折交叉验证确定模型超参数。 结果显示，非线性模型（XGBoost和SVR）在测试集上均取得了1.1%的均方根误差（RMSE），优于线性模型（RMSE > 2.5%）。这表明容量与弛豫电压特征之间的关系是非线性的。研究还将该方法与文献中基于其他电压特征的先进方法（如基于恒流充电电压、增量容量分析、恒流-恒压充电电压的方法）在相同数据集上进行了基准测试。结果表明，本研究所提出的基于弛豫电压的方法取得了具有竞争力的精度（RMSE 1.1%），同时避免了其他方法对特定充电电压区间的依赖，在实际应用中更具便利性。
4. 物理机理解释： 为了从电化学角度理解为何弛豫电压特征能与容量相关联，研究团队对部分循环后的电池进行了交流电化学阻抗谱（EIS）测试，并通过等效电路模型（ECM）拟合得到欧姆电阻（R0）、固体电解质界面膜（SEI）电阻（R1）和电荷转移电阻（R2）。分析发现，在不同循环条件下（温度、倍率），电池的主导老化机制不同。例如，对于NCA电池，在25°C低温下高倍率（1C）充电时，R0增长最显著，可能与锂析出导致的电解液干涸或接触损失有关；而在较高温度（35°C, 45°C）下循环的NCM电池，R2（与正极活性材料损失，如颗粒裂纹有关）增长更为突出。这些多样化的内部老化机制导致了不同的退化路径，这解释了为何简单的线性模型难以精确估计容量，同时也说明不同电池类型的老化模式存在一定相似性（如R2的指数增长趋势），这为后续应用迁移学习提供了依据。
5. 迁移学习验证方法普适性： 为了验证所提方法对不同类型电池（数据集2和3）的适用性，研究者引入了迁移学习（Transfer Learning, TL） 策略。由于电池材料和工作条件的差异，直接将基于NCA电池（数据集1）训练的基础模型应用于NCM或混合正极电池会导致误差较大（零样本学习RMSE > 3.4%）。 研究设计了两种迁移学习策略： * TL1： 在基础模型的容量输出层之前添加一个线性变换层。 * TL2： 在基础模型的输入特征之前添加一个线性变换层，以适配新电池类型的特征分布。 仅使用来自新电池类型数据集中的极少部分数据（从每种循环条件下随机选取1个电芯，并每隔100个循环取一个数据点，约占验证集数据的0.06%-0.35%）来重新训练新添加的层，而冻结基础模型的权重。 结果显示，TL2策略结合SVR模型取得了最佳效果，在数据集2（NCM电池）和数据集3（混合正极电池）上的测试RMSE分别降至1.7% 和1.6%。这表明，通过在输入特征前添加一个简单的线性变换层来调整特征分布，可以有效地将基于一种电池类型训练的知识迁移到另一种电池类型，仅需少量新电池数据即可实现高精度容量估计。研究也发现，SVR模型在迁移学习场景下比XGBoost表现更稳定可靠。
四、 主要研究结果
五、 研究结论与价值
本研究成功开发并验证了一种基于数据驱动的、利用商用锂离子电池充满电后电压弛豫曲线进行高精度容量估计的新方法。核心结论是：仅需分析电池静置阶段的电压曲线，无需任何先前循环信息或特定的充电数据，即可实现对电池容量的准确估计。 通过从弛豫电压中提取关键统计特征，并应用机器学习模型，该方法在构建数据集上达到了1.1%的RMSE。更重要的是，通过迁移学习技术，该方法能够以极小的新数据成本（仅需目标电池的少量数据）快速适配到不同化学体系的电池上，在验证集上仍保持低于1.7%的RMSE。
科学价值：本研究系统性地探索了电压弛豫曲线与电池整体容量衰减之间的关联，并通过电化学阻抗分析为这种关联提供了可能的机理解释（不同老化机制导致的弛豫行为变化）。它展示了如何将统计特征提取、机器学习建模与迁移学习相结合，来解决电池状态估计中的跨电池型号泛化难题。
应用价值：该方法为电动汽车电池管理系统（BMS）中的在线、非侵入式健康状态监测提供了一种极具潜力的解决方案。由于弛豫过程在车辆充电结束后自然发生且易于测量，该方法无需改变现有的充电协议或依赖用户的放电行为，易于集成到现有BMS中，实现更准确的剩余续航里程预测和电池寿命管理。
六、 研究亮点
七、 其他有价值内容
研究还对弛豫时间长度、不同特征组合、不同数据划分策略（如按时间序列划分、按温度分层划分）对模型性能的影响进行了详尽的对比分析（见补充材料），为后续研究者优化模型提供了参考。此外，研究公开了所使用的数据集和部分代码，促进了该领域的可重复性研究和进一步探索。