基于锂离子电池的电流变化曲线重构增量容量轨迹

对电池退化的可靠评估是安全和高效的电池利用的基础。作为一种重要的原位健康诊断方法，增量容量(IC)分析高度依赖于低噪声恒流曲线，这违反了现实情况。在这里，一个无模型拟合过程，从噪声甚至电流变化的轮廓重建IC轨迹。根据总共22个电池和3个案例研究的结果，重建的IC轨迹中峰值位置的误差只能限制在0.25%以内。通过从重建的IC轨迹中提取健康指标，可以很容易地通过简单的线性映射来确定健康状态，估计误差仅小于1%。通过在复杂的负荷情况下实现基于集成电路的方法，可以实施加强的健康评估，以提高电力系统的可靠性，并进一步促进一个更可持续的社会。

这项工作的目的是从复杂的负载分布重建集成IC轨迹，包括那些具有大噪声或非恒流分布。通过这种方式，基于IC的方法可以从实验室实验扩展到更真实的应用，其中负荷分布是高度动态的应用。在这里，我们第一次尝试从复杂的负载剖面重建增量容量轨迹。重构问题最初表述为曲线拟合问题，并提出了一种易于实现的基于平均的方法从复杂负载分布中选择代表性数据。本文提出了一种保持形状的方法来拟合所选数据，生成平滑的集成IC轨迹。通过对大测量噪声、脉冲充电和主动均衡封装充电三个案例的研究，验证了该方法的有效性。从22个不同老化程度的电池的实验结果(从我们之前工作的循环老化试验中获得,该方法能准确地捕捉IC轨迹中的峰值位置，误差仅为0.25%.虽然SOH估算不作为本文的主要目标，它仍然可以在误差范围为1%时精确确定。由于所提出的方法不依赖于特定的电池模型，因此它可以直接应用于不同类型的电池中，为有效、可靠的电池健康评估铺平了道路。

ICA是电池健康评估的最重要的原位方法之一，但通常受到其依赖于低噪声恒流曲线的限制。针对这一问题，我们从复杂的电流变剖面重建IC轨迹。该任务最初表述为曲线拟合问题，然后通过重新设计神经网络的激活函数，开发出一种易于实现的保保持拟合方法。IC轨迹拟合由“电压与时间”的关系，我们的方法的可行性是基于22种电池的使用场景。实验结果表明，IC轨迹可以准确地恢复，在所有测试案例中，所有峰值的峰值定位误差均为0.25%。此外，通过提取的IC轨迹，可以准确地估计SoH，误差仅为1%，即使这里没有明确考虑为研究目标。本文是第一个从复杂的负载轮廓中提取IC电路轨迹的报告，如考虑脉冲充电或主动包平衡。此外，所提出的IC重建方法是纯无模型的，因此适用于一般的电池类型。

在本文中，我们主要关注从噪声或非恒电流轮廓中提取IC轨迹。然而，提取的IC轨迹的详细利用，如利用不同温度和电流速率的IC轨迹提取SoH或确定电池反应动力学，超出了本工作的讨论，需要进一步的研究。如果当前的利率很大，以致于IC轨迹中的小峰值被淹没，那么该方法的性能可能会显著降低。处理不准确测量的成本效益高的方法，如使用双观察者技术，也值得讨论。此外，作为数据分割算法的一个常见问题，电池缺乏物理洞察力可能会降低该方法的泛化和可靠性。这个问题可以通过在数据分割机器中引入第一性原理来解决，这是一个有趣的未来研究方向。验证所提出的电池与其他化学特性和部分充电特性的方法也是很有趣的。

传统上，给定电池终端电压与CC曲线相关的时间序列响应，时间步长k处的IC值可以通过

由于δV项在分母中，IC值可能对电压测量的波动非常敏感，这不仅是由测量噪声引起的，而且可能是由电流的变化（例如，电流变化曲线）引起的。一般来说，从给定的电流中估计电压的变化需要一个考虑电池退化的高保真电池模型(Liuetal.，2020)。然而，IC轨迹本身最重要的应用之一是评估老化程度。因此，使用基于模型的方法来估计电池的电压和重建集成IC轨迹是不可行的，因为这一过程会导致循环依赖。在这种情况下，本文提出了另一种方法，即将IC轨迹的重建表述为一个曲线拟合问题。注意到原始IC轨迹在噪声或非恒流情况下高度抖动，很难确定可靠的“ICvs电压”数据对来支持曲线拟合。因此，这里的目的是首先从可能包含非恒定电流和大测量噪声的数据中重建无噪声恒流轮廓的“电压与时间”轨迹，然后计算相应的IC轨迹。在一般曲线拟合的框架下，我们的方法可以分为三个子步骤：

获取输入（时间）和输出（电压）。2.拟合输入-输出关系。3.根据拟合结果计算IC轨迹

选择四个不同老化程度的SONYUS18650VTC5电池(额定容量：Qnom=2.5Ah)，其中最新的电芯（#01）用于建立激活函数g（，）和初始化神经网络，如图所示，而其他三个电池用于验证。表1列出了这四个电池的SoH(这里的SoH由SoH=Q/Qnom定义，其中Q为实际容量)，电池#02、#03和#04的电压、电流和IC轨迹如图所示。峰值和峰值位置的误差也列于表2中。从这些结果可以看出，该方法可以准确地从噪声测量中恢复集成电路轨迹。峰值的误差可以很好地控制在1%以内，而对于不同老化程度的电池，峰值位置的误差可以限制在0.2%以内。这样的高精度证明了该算法对于测量噪声较大的恒流充电曲线是有效的。