《Journal of Energy Storage》第119卷（2025年）刊登了一项由东北电力大学吉林省精密驱动与智能控制国际研究中心的研究团队完成的最新研究。该研究论文题为《Estimating Battery State of Health Using Impedance Spectrum Geometric Health Indicators and Recurrent Deep Sigma Point Process》，由张书德、袁玮如、王英洲、程顺和王建国（通讯作者）共同完成。这项研究致力于解决锂离子电池健康状态（State of Health， SOH）精确估计这一关键挑战，提出了一种融合电化学阻抗谱（Electrochemical Impedance Spectroscopy， EIS）几何健康指标（Geometric Health Indicators, GHIs）与循环深度西格玛点过程（Recurrent Deep Sigma Point Process， R-DSPP）模型的混合估计方法。

该研究的主要学术背景源于电动汽车和储能系统等领域的快速发展对电池健康管理的迫切需求。锂离子电池的健康状态会随使用和存储时间衰减，当其降至80%以下时被认为失效，可能导致性能显著下降甚至灾难性故障。因此，对SOH进行准确估计是电池预后与健康管理（Prognosis and Health Management， PHM）的核心。现有方法主要分为基于模型的方法和数据驱动方法两大类。其中，数据驱动方法虽然无需复杂的电化学反应机理知识，但大多仅依赖电压、电流、温度等时域参数，对电池内部动态特性的揭示有限。电化学阻抗谱作为一种频域测量技术，能够揭示电池内部多尺度电化学过程，为全面表征电池动态特性提供了有力工具。然而，完整的EIS测量耗时较长，且测量结果易受环境、设备等多种因素干扰，其在线应用仍面临挑战。本研究的核心目标是开发一种精确、通用且利于在线应用的SOH估计方法，通过从EIS中提取与SOH近似线性相关的几何特征，并结合先进的深度学习不确定性量化模型来实现这一目标。

研究的详细工作流程包含了数据获取与特征提取、估计器构建与优化、以及综合性能验证等多个紧密相连的环节。第一阶段的重点是数据采集与几何健康指标的提取。研究团队利用了来自文献[32]的公开电池循环老化实验数据，该数据集包含12枚45mAh的Eunicell LR2032商用纽扣电池在25°C、35°C和45°C三种恒定温度下的循环测试数据。在每个充放电循环中，研究人员记录了电池容量（偶数循环）并测量了EIS（奇数循环）。本研究专注于充电完成并静置30分钟后的第V阶段EIS数据，以确保测量满足线性、因果性和稳定性条件。从EIS奈奎斯特图中识别并提取了9个关键的几何健康指标（GHIs），用于量化电池动态过程。这些指标包括：在高-中频区域代表固体电解质界面（Solid Electrolyte Interphase, SEI）和电荷转移（Charge Transfer， CT）过程的两个半圆的圆心坐标和半径、两圆心之间的距离；以及在低频区域代表传质/扩散过程的直线的斜率及其与实轴交点的坐标。为了从可能含有异常点的测量数据中鲁棒地拟合出这些几何指标，研究团队创新性地提出了RANSAC-LS算法。该算法结合了随机采样一致性（RANdom SAmple Consensus， RANSAC）与最小二乘法（Least Squares， LS），能够自动识别并剔除离群点，从而获得稳健的拟合结果。针对低频阻抗测量耗时且易受干扰的问题，研究还设计了一种“稀疏采样-有限差分近似”策略，仅使用5个低频点来近似表征整个低频段的阻抗行为，大幅缩短了测量时间。

第二阶段是SOH估计器的设计与构建。核心模型是作者设计的循环深度西格玛点过程（R-DSPP）模型。深度西格玛点过程（Deep Sigma Point Process， DSPP）是深度高斯过程（Deep Gaussian Process， DGP）的一种高效近似，它结合了深度神经网络的灵活性与高斯过程的贝叶斯不确定性量化能力。考虑到电池容量在退化过程中的单调递减特性，研究团队为DSPP设计了一个循环结构，使当前时刻的SOH估计不仅依赖于输入的GHIs，也考虑到了前一刻的估计输出，从而平滑估计曲线并抑制噪声和突变的影响。为了确定DSPP模型的最优超参数，研究采用了基于种群的训练（Population Based Training， PBT）优化算法。PBT结合了并行优化和序列优化的优势，允许一群模型并行探索参数空间，并周期性地根据性能评估结果，让表现较差的模型“利用”优秀模型的参数并添加随机扰动继续“探索”，从而高效地寻找到全局较优的超参数组合。整个混合方法被命名为PBT-R-DSPP（PRD）估计器。其工作流程分为离线训练和在线估计两个阶段：离线阶段，使用历史电池的GHIs和已知SOH训练PRD模型；在线阶段，将新电池提取的GHIs输入训练好的模型，即可输出SOH估计值及置信区间。

第三阶段是方法的综合实验验证与结果分析。研究设计了一系列严谨的实验来评估所提方法的有效性。首先，通过对比实验验证了所提GHIs的有效性。将GHIs与基于特征频率点阻抗、基于等效电路模型参数的其他健康指标进行比较，使用相同的DSPP基础模型进行SOH估计。结果显示，基于GHIs的模型取得了最低的均方根误差（0.8839%）和平均绝对误差（0.6789%），证明了GHIs对电池SOH具有优越的表征能力。其次，在25°C环境下的4个电池数据上，采用“留一法”交叉验证策略，将PRD方法与轻量梯度提升机、长短期记忆网络、高斯过程回归和支持向量回归等其他先进模型进行比较。结果显示，PRD方法对所有电池的SOH估计均方根误差不超过1.00%，平均绝对误差不超过0.65%，并且提供了平滑的估计曲线和狭窄的95%置信区间，性能全面优于对照组方法，体现了其高精度和鲁棒性。

研究进一步探讨了方法的温度适应性和稀疏采样可行性，这是实际应用的关键。在温度适应性实验中，仅使用25°C下的4个电池数据训练PRD模型，然后直接用于估计从未在训练中见过的35°C和45°C下的电池SOH。结果令人振奋：即使在完全未见过的更高温度工况下，PRD方法依然保持了稳定的估计性能，其估计误差（MAE和RMSE）均显著低于其他对比方法，R²值保持在0.97以上，显示了出色的泛化能力和对动态工况的鲁棒性。在稀疏采样实验中，研究团队测试了将每个半圆用于拟合的点数从15个减少到5个（即原始的三分之一）的情况。结果显示，使用稀疏采样点拟合出的GHIs，其SOH估计精度仅有微小的、可接受的下降（例如，对于电池25C01，MAE仅增加0.13%），这意味着在牺牲极小精度的代价下，可以将EIS测量时间减少到原来的约三分之一，并降低对测量设备的性能要求，为在线、低成本实施EIS测量提供了极具价值的实践指导。

本研究的主要结论是：提出了一种基于电化学阻抗谱几何健康指标与循环深度西格玛点过程的锂离子电池健康状态混合估计方法。该方法通过RANSAC-LS算法从EIS曲线中鲁棒地提取与电池老化动力学直接相关的几何特征，避免了复杂的分数阶等效电路模型拟合；通过结合循环结构和PBT优化的DSPP模型，实现了对SOH的高精度、平滑且带有不确定性量化的估计。实验证明，该方法在相同及不同温度工况下均表现出优于其他主流方法的精度和鲁棒性，并且所提出的EIS稀疏采样策略证明了其在保证估计性能的同时大幅降低测量时间与设备需求的潜力。

本研究的价值与意义体现在多个层面。从科学价值看，它深化了从频域角度理解电池老化动态过程与宏观性能（容量）衰退之间关联的认知，提供了一种基于EIS几何形态学特征的量化表征新途径。从方法论看，成功地将鲁棒几何特征提取、深度概率模型与智能化超参数优化相结合，为复杂系统的状态估计提供了新的技术框架。从应用价值看，该方法为实现锂离子电池SOH的精确、在线、低成本估计提供了可行的解决方案，尤其适用于测量和计算能力有限的电池管理系统，对提升电动汽车和储能系统的安全性、可靠性与经济性具有重要的工程实践意义。

本研究的亮点突出体现在以下几个方面：第一，方法新颖性：首次提出将RANSAC-LS算法用于从EIS中鲁棒提取几何健康指标，并设计循环深度西格玛点过程模型进行SOH估计，这是一种创新的“特征提取+概率模型”混合范式。第二，强大的泛化能力：模型在未见过的温度应力下仍能保持高精度估计，显示了其对不同运行条件的出色适应能力，这对实际应用中多变的环境至关重要。第三，明确的工程导向：不仅追求算法精度，还前瞻性地探讨并验证了EIS稀疏采样策略的可行性，为该方法从实验室走向在线工程应用扫除了一项关键障碍（测量耗时）。第四，全面的不确定性管理：模型能够输出预测值的置信区间，为电池管理决策提供了重要的风险评估信息，这是许多点估计模型所不具备的优势。第五，严谨的验证体系：通过留一交叉验证、跨温度验证、稀疏采样验证以及与传统及前沿算法的多维度对比，构成了完整而严谨的证据链，充分支撑了研究结论。这些亮点共同构成了本研究区别于现有同类工作的独特贡献。