背景：

       锂离子电池已被广泛应用于电动汽车、移动机器人、可穿戴设备和储能站。在电池使用过程中，不可避免出现的非线性、强时变的容量衰减严重影响着电池性能。为确保电池的安全性和可靠性，快速准确的容量估计至关重要。此外，准确的容量估计有助于实现准确的荷电状态（SOC）、能量状态（SOE）和续驶里程估计。然而，由于电池化学、充电模式、工作温度以及用户习惯的变化，实现真实世界条件下准确、稳健的在线容量估计充满挑战。

      近日，西安交通大学梅雪松/徐俊教授在国际知名期刊Energy Storage Materials上发表题为“A fast data-driven battery capacity estimation method under non-constant current charging and variable temperature”的研究论文。该论文提出了一种基于单电压特征高斯过程回归（GPR）的数据驱动方法，可在3分钟内实现锂离子电池变温、非恒流充电快速容量估计。该工作首次通过实验生成了基于非恒流充电协议的电池老化数据集，针对非恒流充电开发了可在3分钟内收集的高质量健康特征，结合GPR实现快速容量估计。同时，该工作提出了一种简单有效的温度迁移策略，可将25℃建立的模型低误差迁移至其他温度条件（如10℃和40℃），为实现全温域的锂电池容量估计提供了全新的解决方案。

图1. 数据驱动的锂离子电池变温、非恒流充电快速容量估计方法

要点一：非恒流充电电压增量特征提取与数据驱动的容量估计

        现有的数据驱动的容量估计方法几乎都是针对恒流充电协议开发的。然而，在实际应用中，非恒流充电是一种重要且不可忽视的充电模式。现有方法直接应用于非恒流充电将会出现严重的性能恶化。例如，非恒流激励会改变增量容量（IC）曲线与电池老化之间的映射关系。一些基于充电时间的健康特征也将失去其物理意义，变得无效。因此，针对非恒流充电过程开发数据驱动模型迫在眉睫。在此背景下，该工作系统地探索了不同电压起点下不同充电时间片段（Δt）的电压增量（ΔV）与电池容量之间的关系，该特征结合GPR模型可在3分钟内实现快速容量估计，并且性能超过了几个机器学习模型，如LR、SVR和RF。针对钴酸锂（LCO）电池，仅使用1块电池的老化数据进行建模训练，其他3块电池的平均容量估计误差（MAPE）仅为0.65%，展示出了优异的容量估计性能。此外，在两块三元（NCM）电池上的验证结果证明了该方法对不同电池化学的通用性。与三种典型的数据驱动方法（基于IC特征、基于区域容量统计特征、基于充电曲线直接输入）相比，该方法的平均估计精度(MAPE)分别提高了69%、82%和68%。这些结果表明，提出的健康特征具有显著的优势，可以很好地用于指示非恒流充电过程的电池容量退化。

图2. 非恒流充电阶段电压增量健康特征提取与相关性可视化

图3. 非恒流充电场景的容量估计结果（LCO电池）

图4. NCM电池的容量估计结果

要点二：基于变温迁移的容量估计

       在实际应用中，容量估计模型适应于不同的温度条件具有重要价值。该工作提出了一种基于早期循环数据线性变换的温度迁移（TL）策略来解决变温容量估计问题。在新的温度环境下，特征序列与电池容量之间的映射将发生改变。这将导致已建立的25℃的GPR模型的预测会发生偏差，利用线性回归建立GPR预测与真实容量之间的修正关系，从而实现温度迁移估计效果，提高GPR在变温条件的容量估计精度。在10℃和40℃环境下的实验验证表明，与不使用迁移策略相比，GPR+TL方法能够将容量估计误差降低30%以上。更为重要的是，仅利用新温度条件的前6个循环数据实现温度迁移使得该方法具有很高的工业应用价值。

图5. 基于早期数据线性变换的温度迁移策略

图6. 温度迁移容量估计结果

要点三：对传统恒流充电协议的通用性

       该工作提出的方法不仅适用于非恒流充电，对传统恒流充电协议也同样适用。8块LCO电池的留一交叉验证结果显示出该方法的平均估计误差为0.72%。与现有工作相比，该方法具有很强的竞争力，特别是考虑到特征采集时间和计算复杂度。另一方面，23块NCM电池（25℃）的平均估计误差为0.42%，进一步证实了该方法对不同充电协议、电池化学的通用性。当25℃模型应用到4块在35℃环境下工作的NCM电池上时，GPR+TL方法能将估计误差从2.73%降到1.81%。当25℃模型应用到28块在45℃环境下工作的NCM电池上时，GPR+TL方法能将估计误差从4.74%降到1.99%。这些结果显示出该方法在温度迁移估计方面的优异性能。

图7. 对于恒流充电协议的通用性验证（LCO/NCO电池和NCM电池）