多电应力耦合的锂离子电池性能退化迁移建模方法研究.pdfVIP

多电应力耦合的锂离子电池性能退化迁移建模方法研究

摘要

锂离子电池凭借高能量和功率密度、长循环寿命等优势，被广泛应用于多种储能场

景中。但随着循环充放电的进行，锂离子电池内部会发生不可逆的电化学反应，导致其

性能随服役时间的增加而退化。实际应用场景下，锂离子电池性能退化演化的标签获取

困难，并且多种退化机制的耦合使得在线运行工况与离线测试工况间的不一致性增加。

前者直接影响性能退化评估模型的准确性，后者将导致性能退化表征参数和评估模型的

有效性和通用性不足。由于锂离子电池通常配套电池管理系统（BatteryManagement

System，BMS）使用，因此电应力是影响电池性能退化的主要因素。定量评估不同电应

力条件下锂离子电池的性能退化，对于储能系统的优化管理和视情运维具有重要意义。

鉴于此，本课题提出一种多电应力耦合的锂离子电池性能退化迁移建模方法，能够实现

不同运行工况下锂离子电池的性能退化等效评估和不确定性量化。主要内容如下：

首先，本课题针对不同电应力条件下锂离子电池性能退化表征参数的有效性不一致

的问题，分析与性能退化相关的在线可测参数的变化，提取了多种性能退化表征参数。

通过排列熵（PermutationEntropy，PE）方法和主成分分析法（PrincipalComponent

Analysis，PCA）选取包含退化信息量较多的特征，并通过降维融合降低信息冗余，实现

特征的优化，提高其在不同充放电区间和倍率下的适应能力和表征能力，为后续多电应

力耦合的性能退化评估提供有效的数据支持。

其次，针对不同运行工况下数据获取困难的问题，分析数据采集和建模过程中存在

的不确定性，基于贝叶斯神经网络（BayesianNeuralNetwork，BNN）对不确定性进行建

模。通过参数的先验分布和后验概率推断拟合不同运行工况下的数据分布，提高数据效

率，在少量数据下获得较好的收敛情况同时避免过拟合，最终实现在小样本数据下提供

可靠的性能退化评估结果和不确定性量化结果。

最后，针对离线测试工况和在线运行工况之间的不一致性导致的模型失配问题，通

过基于迁移学习的BNN（TransferLearning-basedBayesianNeuralNetwork，TL-BNN）

模型建立源域（离线测试工况）与目标域（在线运行工况）间的性能退化迁移映射，最

终实现不同电应力条件下锂离子电池的性能退化等效评估，进一步提升多电应力耦合下

锂离子电池性能退化评估的精度和不确定性量化的可靠性。

关键词：锂离子电池；多电应力；性能退化表征；性能退化评估；迁移学习

多电应力耦合的锂离子电池性能退化迁移建模方法研究

Abstract

Lithium-ionbatterieshavebeenwidelyusedinavarietyofenergystoragescenariosdue

totheirhighenergyandpowerdensityandlongcyclelife.Withcyclicchargingand

discharging,irreversibleelectrochemicalreactionsoccurwithinlithium-ionbatteries,leading

toperformancedegradationwithincreasingservicetime.Inpracticalapplicationscenarios,it

isdifficulttoobtainlabelsfortheperformancedegradationevolutionoflithium-ionbatteries,

andthecouplingofmultipledegradationmechanismsincreasestheinconsistencybetweenon-

lineoperatingconditionsandoff-linetestconditions.Theformerdirectlyaffects