Multi-feature Fusion Approach for Data-driven State of Health Estimation in Lithium-metal Batteries

锂金属电池(Lithium metal batteries，LMBs)因其超高的能量密度有望成为下一代储能装置。然而，由于退化机制复杂，准确预测其健康状态(State of health，SOH)仍然具有挑战性。因此提出一种基于电化学阻抗谱(Electrochemical impedance spectroscopy，EIS)的跨频段多源特征提取方法，通过灰色关联分析(Grey relational analysis，GRA)量化EIS特征与SOH的非线性关联度，筛选出中高频区5个关键频域特征，同时构建简化等效电路模型(Simplified equivalent circuit model，SECM)提取低频区5个反映固相扩散与电荷转移过程的物理参数特征。并结合高斯过程回归(Gaussian process regression，GPR)模型开发了多条件变量耦合下的锂金属电池EIS-SOH估计模型。所提出的方法对不同的预紧力，充放电倍率及电池荷电状态(States of charge，SOC)下的锂金属电池SOH估计有良好的准确性和鲁棒性。该方法在12种不同变量组合条件下的SOH预测结果的平均均方根误差可以达到1.65%。且在极端条件下的均方根误差也可以控制在3%之内。