基于互信息(Mutual Information, MI)引导的电压片段选取与轻量化建模的充电不完整曲线锂离子电池健康状态(State of Health, SOH)估计方法

《JOURNAL OF POWER SOURCES》：Mutual information-guided voltage segment selection and lightweight modeling for state of health estimation of batteries with incomplete charging curves

　　

摘要：锂离子电池(Lithium-ion Battery, LIB)健康状态(State of Health, SOH)的准确快速估计对于安全经济的电池管理至关重要。然而，电池管理系统(Battery Management System, BMS)通常仅能获取起始与终止点随机的部分恒流(Constant-Current, CC)充电段而非完整循环数据。研究人员提出了一种针对此类部分CC数据的轻量化流水线特征工程框架。将容量曲线与平滑后的增量容量(Incremental Capacity, IC)曲线映射到均匀间隔的电压网格上，生成定长、位置一致的双通道序列。引入互信息(Mutual Information, MI)定量评估各电压位置对SOH的贡献度，实现高信息量工作电压段的自动选取。通过时间窗重组多周期特征序列并利用支持向量回归(Support Vector Regression, SVR)进行估计。在一个实验室数据集及三个涵盖三种不同材料体系的公开数据集上的实验表明，即使在窄至0.05 V的工作电压段下，该方法平均SOH估计均方根误差(Root Mean Square Error, RMSE)约为1.3%。该框架相比深度学习模型显著降低了训练与推理成本，同时具备高可解释性与易于在资源受限BMS中在线部署的特点。

论文解读：基于互信息引导电压片段选取与轻量化建模的不完整充电曲线锂离子电池SOH估计

该论文发表于《JOURNAL OF POWER SOURCES》。

一、研究背景与意义

锂离子动力电池在服役过程中不可避免地发生容量衰减与内阻增大，准确评估其健康状态(State of Health, SOH)是电池管理系统(Battery Management System, BMS)的核心功能。现有SOH估计方法分为直接测量法（如库仑计数、电化学阻抗谱Electrochemical Impedance Spectroscopy, EIS）、基于模型法（等效电路模型Equivalent Circuit Model, ECM、电化学模型）和数据驱动法。直接测量法需完整充放电且设备昂贵；基于模型法参数辨识困难且对工况敏感；传统机器学习依赖人工设计健康指标(Health Indicator, HI)，泛化性差；深度学习方法虽精度高但计算开销大、难在资源受限BMS中在线部署。实际应用中，BMS常仅能记录起始与终止荷电状态(State of Charge, SOC)随机的部分恒流(Constant-Current, CC)充电片段，不同循环间可用电压区间不一致，且关键电压段的选取多依赖经验或试凑，缺乏统一可解释的筛选依据。为此，研究人员开展本研究，提出一种互信息(Mutual Information, MI)引导的轻量化特征工程框架，解决部分CC数据对齐难与电压段选取主观的问题，在保持低算力的前提下实现高精度SOH估计。

二、主要关键技术方法概述

研究人员使用一个实验室采集的三元锂电芯循环老化数据集及三个不同材料体系的公开数据集进行验证。关键技术步骤包括：(1)在预定义电压范围内建立等间距电压网格，将各循环的容量—电压曲线及平滑后的增量容量(Incremental Capacity, IC=dQ/dV)—电压曲线插值代入网格，构建定长、位置一致的"容量—IC"双通道序列；(2)计算各网格点电压位置特征与SOH标签的互信息(Mutual Information, MI)值，按MI大小自动筛选连续的高信息量电压工作段；(3)采用滑动时间窗将连续多周期的特征序列重组，输入支持向量回归(Support Vector Regression, SVR)模型进行SOH估计，并与深度学习方法对比精度与算力消耗。

三、研究结果

Battery datasets（电池数据集）

研究人员选用一个实验室三元锂离子电池老化数据集及三个广泛使用的公开电池数据集（涵盖LFP、NCM等不同体系），所有数据集均提取CC充电阶段的电压、电流及容量数据，按标准容量标定SOH作为真值，用于模型的训练与跨数据集泛化性验证。

Overall methodological framework（总体方法框架）

研究人员首先对各循环CC段进行电压等距网格化对齐，消除不同循环起始/终止电压不同造成的序列错位；随后并行提取容量Q(V)曲线与平滑IC曲线并拼接为双通道输入。引入MI准则逐点计算特征—SOH相关性，选取MI值高的连续电压区间作为最终工作片段，去除冗余低相关信息。经时间窗构造样本后送入SVR训练。框架流程表明该方法无需手工设计HI，且MI排序使电压段选取具备物理—统计双重解释性。

Experimental settings（实验设置）

实验在Windows 11、AMD Ryzen 5 5600、16 GB RAM及NVIDIA RTX 2070平台进行，Python 3.11实现，深度学习模型基于PyTorch 2.5，传统机器学习基于scikit-learn 1.7。采用单电池时序划分与跨电池划分两种数据切分方式，以均方根误差(Root Mean Square Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)为评价指标，并与1D-CNN、LSTM、CNN-LSTM及全电压段特征输入的SVR等对照模型比较。

四、讨论与结论翻译

研究人员得出结论：本文针对异循环CC充电曲线沿电压轴难对齐及工作电压段选取常依赖经验的问题，提出了一种轻量级的序列化特征工程框架用于电池SOH估计。该框架将容量曲线与IC曲线对齐到统一的等距电压网格上，构建定长、位置一致的双通道容量—IC序列；在此基础上引入互信息(MI)定量评价各电压位置对SOH的信息贡献，实现高信息量连续工作电压段的自适应选取；结合时间窗与支持向量回归(SVR)完成高效建模。在一个实验室数据集及三个不同材料体系的公开数据集上的实验结果表明，即便在窄至0.05 V的工作电压段下，该方法仍获得约1.3%的平均SOH估计均方根误差(RMSE)，性能优于或接近深度学习模型而训练与推理成本大幅降低，具备较高可解释性，适用于资源受限BMS中的在线SOH估计。