之前已有大量的研究工作直接从电池的充放电曲线中提取特征，如等时间间隔的电压差、等电压间隔的时间序列，放电时间等。然而，这些工作所用到充电或者放电片段较长，降低了在线SOH估计的实用性和用户体验。更重要的是，固定的充电电压段或者固定的放电模式在实际中很少遇到。另一方面，增量容量分析（ICA）在电池的老化诊断方面是一项成熟的技术，它将电池的充电曲线上电压平台转化为IC曲线上易于识别的峰值，这些峰值被证明和电池老化有着显著的对应关系。学者从IC曲线上挖掘大量特征（如峰面积、峰高度、峰位置等）来描述电池的老化，然而，在IC曲线的生成过程中必须使用滤波技术来平滑原始曲线，这不可避免的会损失部分信息，严重的话还会造成电池老化的误诊断。而且，IC峰会伴随电池的老化过程逐渐偏移，这使得捕获IC峰需要更大的电压范围和符合要求的初始电压，这都给电池SOH在线估计造成了困难。

CCCT方法利用Oxford dataset和CALCE dataset两个电池公开数据集上三种不同类型的电池进行了实验验证。Oxford dataset上8块电池的交叉验证实验表明，使用0.1V的充电电压片段，8块电池SOH估计的平均绝对误差（MAE）和平均均方根误差（RMSE）分别为0.38%和0.52%，与ICA方法相比，估计误差降低了约41.6%，且最大估计误差控制在3.26%以内。使用0.01V的充电电压片段，CCCT方法比ICA方法提高了约21.3%的估计精度，且减少了约4倍的数据采样时间，即使是新电池也可在5分钟内完成准确的SOH估计。整个模型的训练和预测时间不足1秒，大幅领先当前的一些SOH估计方法。此外，CCCT方法在CALCE dataset两种不同电池上也分别保持1.26%、1.17%的平均RMSE。最后，Oxford dataset一块电池的额外实验证明了CCCT方法对电压范围的普遍性。综上，该方法对电池不同的电压范围，不同的充电倍率、充放电条件及不同的温度条件都具有良好的适应性。未来，团队将会结合其他维度的特征（比如温度、力）来进一步提高电池SOH估计的鲁棒性与准确性。

图5 Oxford数据集cell 1#不同电压范围的SOH估计误差。

2022年2月22日，该研究成果以“基于恒流充电时间的锂电池快速健康状态估计”（Constant current charging time based fast state-of-health estimation forlithium-ion batteries）为题发表在《Energy》（IF=7.147）上。该论文由西安交通大学徐俊团队完成，第一作者为机械工程学院2022级博士生林川平，通讯作者为徐俊副教授。论文的作者还包括长江学者梅雪松教授、硕士研究生石明杰。论文作者所在单位为西安交通大学机械工程学院、机械制造与系统工程国家重点实验室和陕西省智能机器人重点实验室。论文工作得到了国家自然科学基金（52075420）和国家重点研发计划重点专项（2020YFB1708400）的支持。

更多详细内容，可“阅读原文”。

原文链接：

https://doi.org/10.1016/j.energy.2022.123556