監測鋰離子電池（LIBs）的衰減狀況，即所謂的健康狀態（SOH），對于電池系統的安全可靠運行至關重要。通過從現場采集電池數據并在云端建立電池數字孿生，可在電極層面在線監測電池的衰減情況，并從數據中提取衰減模式信息。

在此，德國亞琛工業大學Weihan Li等人首次提出了一種物理和人工智能相結合的在線電極級衰減診斷方法，即布谷鳥搜索算法（CSA）。通過集成基于阻抗的模型和開路電壓（OCV）重建模型，開發的混合模型由代表電池阻抗和老化過程中OCV變化的參數組成。

基于低動態和高動態的現場數據，該衰減診斷方法可通過考慮參數敏感性差異的多步CSA準確識別全壽命模型參數，從而可以指示電池的老化程度，模型的高保真度和識別的快速收斂性通過以NCA為正極材料、石墨和硅混合為負極材料的電池單元在整個生命周期內的實驗測試得到驗證。使用確定的模型參數，考慮容量和功率衰減的SOH估計的平均絕對誤差分別小于0.5% 和1.5%。在線重建電池的電化學阻抗譜和OCV，可同時定性和定量地識別衰減模式，即鋰離子庫存損失、正/負極活性材料損失。

圖1. 識別和測量的電池健康指標之間的比較

此外，傳感器噪聲下的魯棒性分析證明了該方法的高穩定性，數據采樣率分析為考慮性能、計算成本和數據存儲成本之間的權衡，為云衰減診斷選擇最佳采樣時間提供了方法。

作為LIB的下一代云衰減分析的概念驗證，這項工作在未來可向不同的方向擴展。首先，溫度對電池動力學的影響將使衰減識別更具挑戰性，需要根據現場數據進行研究。其次，衰減診斷，特別是基于小放電深度現場數據的容量估計和衰減模式識別將值得進一步研究。第三，考慮SOC依賴性的功率衰減參數識別對于理解衰減機制很有意義，而基于物理的模型（如電化學模型）在在線衰減診斷中的應用可能有助于進一步深入了解衰減。總之，這項工作突出了通過電池建模和人工智能在現場進行在線電極級衰減診斷的機會，可在云端應用于不同應用場景下不同材料的電池。

圖2. 該診斷方法在各種傳感器噪聲水平下的魯棒性

Battery degradation diagnosis with field data, impedance-based modeling and artificial intelligence, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.08.021