传统的锂离子电池健康状态（SOH）估计方法通常依赖于基于模型的策略或需要复杂特征工程的数据驱动技术。尽管现有方法已显著提升SOH的预测精度，但在处理短时数据段、动态工况及模型可解释性方面仍存在挑战。例如，传统模型难以从初始充电片段中有效提取与电池老化强相关的特征，且依赖完整充放电数据，导致实时应用受限。近期研究表明，通过微分容量分析（dQ/dV）可揭示电极材料相变过程与老化机制的关联，但如何将其与高效深度学习模型结合仍缺乏系统性探索。此外，现有的方法，如长短期神经网络（LSTM），虽能捕捉时序依赖，但其复杂的门控结构增加了计算负担，限制了在资源受限的电池管理系统（BMS）中的部署。
近日，广东工业大学施志聪教授团队联合英国阿尔斯特大学郑慧如教授、沙特国王大学Abdullah N. Alodhayb教授开展了国际合作研究，团队通过选取充电段初始数据作为深度学习神经网络特征，结合dQ/dV处理分析正负极材料的相变过程和老化信息，并采用门控循环单元（GRU）进行SOH估计。经dQ/dV处理后，使用三个数据集的完整充电段数据进行SOH估计，估计结果的决定系数R2分别从0.79、0.47、0.83提升至0.96、0.97、0.99。以GRU替代长短期记忆网络（LSTM）后，使用数据集1和2前两分钟数据估计结果的R2分别从0.32、0.37提升至0.93、0.80，表明GRU可显著提高短时数据段的预测精度。该方法不仅提升了估计精度，还增强了模型可解释性和应用潜力。相关成果发表于国际顶级期刊Journal of power source上，谢昱和罗锴为共同第一作者，郑慧如、Abdullah N. Alodhayb和施志聪为通讯作者。
（左）图1 充电曲线衰减趋势和电池容量衰减情况。（a, d）数据集1，（b, e）数据集2，（c, f）数据集3。
（右）图 2 IC曲线整体衰减趋势和首末圈循环衰减对比。（a, d）数据集1，（b, e）数据集2，（c, f）数据集3。
（左）图3 特征与容量衰减情况。（a）方差，（b）偏度，（c）最大值，（d）最小值，（e）平均值，（f）峰度，（g）容量。
（右）图4 GRU和LSTM在各数据集上的容量估计结果。（a）数据集1，（b）数据集2，（c）数据集3。
在本研究中，作者提出了一种数据处理方法，通过使用初始充电段数据进行dQ/dV处理，并利用六项统计量进行特征增量，最终采用GRU神经网络估计锂离子电池的SOH。与放电过程相比，充电行为更加稳定，经过dQ/dV处理后能够转换为反映电池内部材料老化行为的数据，这一结论得到了相关衰减机制的支持。随后，从统计学角度进行二次特征处理，以增加数据的特征数量，从而能够从更多角度描述老化行为，降低随机误差的风险。前2分钟、前10分钟和完整充电段数据结果的对比证明了该方法的有效性。实验结果表明，即使处理的数据段覆盖时间较短，使用GRU也能显著提高预测精度。评估指标也证明了所提方法的有效性。该方法不仅提高了估计精度，还增强了可解释性和实际应用的可能性。
原文链接：https://doi.org/10.1016/j.jpowsour.2025.236607。
