Optimizing Parameter Estimation for Electrochemical Battery Model: A Comparative Analysis of Operating Profiles on Computational Efficiency and Accuracy

📄 arXiv: 2503.00604v3 📥 PDF

作者: Feng Guo, Luis D. Couto, Khiem Trad, Grietus Mulder, Keivan Haghverdi, Guillaume Thenaisie

分类: eess.SY

发布日期: 2025-03-01 (更新: 2025-12-08)

备注: This manuscript has been peer-reviewed and accepted for publication in the Journal of Power Sources. The final published version is available at the official journal site: https://doi.org/10.1016/j.jpowsour.2025.239044.Please cite the published version

期刊: Journal of Power Sources 665 (2026) 239044

DOI: 10.1016/j.jpowsour.2025.239044

💡 一句话要点

通过优化工况曲线提升电化学电池模型参数估计的计算效率与精度

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 电化学模型 参数估计 工况曲线 粒子群优化 锂离子电池 单粒子模型 计算效率 模型精度

📋 核心要点

  1. 电化学电池模型参数估计面临挑战，不同工况对估计精度和效率的影响尚不明确。
  2. 通过组合多种电流曲线，寻找最优工况组合，以最小化电压输出误差、参数估计误差和时间成本。
  3. 实验结果表明，不同工况组合在精度和效率上表现各异，{C/5、C/2、1C、DST}为综合最优。

📝 摘要（中文）

电化学模型中的参数估计是其应用中的一项重大挑战。本研究旨在通过研究不同工况曲线对电化学模型参数估计的影响，从而确定最佳条件。本研究特别关注镍锰钴酸锂（NMC）锂离子电池。基于五种基本电流曲线（C/5、C/2、1C、脉冲、DST），生成了31种条件组合，用于参数估计和验证，产生了961个评估结果。采用粒子群优化算法进行电化学模型（特别是单粒子模型（SPM））中的参数识别。分析考虑了三个维度：模型电压输出误差、参数估计误差和时间成本。结果表明，使用所有五种曲线（C/5、C/2、1C、脉冲、DST）可最大限度地减少电压输出误差，而{C/5、C/2、脉冲、DST}可最大限度地减少参数估计误差。使用{1C}可实现最短的时间成本。当同时考虑模型电压输出和参数误差时，{C/5、C/2、1C、DST}是最佳的。为了最大限度地减少模型电压输出误差和时间成本，{C/2、1C}是最佳的，而{1C}是参数误差和时间成本的理想选择。综合最佳条件是{C/5、C/2、1C、DST}。这些发现为选择针对特定需求的电流条件提供了指导。

🔬 方法详解

问题定义：论文旨在解决电化学电池模型参数估计中，不同工况曲线对参数估计精度、计算效率影响的问题。现有方法缺乏系统性的工况选择策略，难以在精度和效率之间取得平衡。

核心思路：论文的核心思路是通过比较不同工况曲线组合下的参数估计结果，寻找在电压输出误差、参数估计误差和时间成本三个维度上表现最优的工况组合。通过穷举法，系统性地评估多种工况组合的性能。

技术框架：整体流程包括：1) 选择五种基本电流曲线（C/5、C/2、1C、Pulse、DST）；2) 生成31种工况组合；3) 使用粒子群优化算法（PSO）进行单粒子模型（SPM）的参数识别；4) 在961个评估结果中，分析模型电压输出误差、参数估计误差和时间成本三个维度的性能。

关键创新：论文的创新在于系统性地研究了不同工况曲线组合对电化学电池模型参数估计的影响，并提出了综合考虑精度和效率的最优工况选择策略。通过多维度的性能评估，为实际应用提供了更全面的指导。

关键设计：论文的关键设计包括：1) 选择具有代表性的五种电流曲线；2) 使用粒子群优化算法进行参数估计；3) 采用单粒子模型（SPM）简化计算；4) 综合考虑电压输出误差、参数估计误差和时间成本三个维度，使用穷举法寻找最优工况组合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，使用所有五种曲线（C/5、C/2、1C、脉冲、DST）可最大限度地减少电压输出误差，而{C/5、C/2、脉冲、DST}可最大限度地减少参数估计误差。当同时考虑模型电压输出和参数误差时，{C/5、C/2、1C、DST}是最佳的。{1C}工况在时间成本上表现最佳。

🎯 应用场景

该研究成果可应用于锂离子电池的建模、仿真和控制领域。通过选择合适的工况曲线，可以提高电池模型参数估计的精度和效率，从而提升电池管理系统的性能，优化电池的充放电策略，延长电池的使用寿命，并加速电池的研发过程。

📄 摘要（原文）

Parameter estimation in electrochemical models remains a significant challenge in their application. This study investigates the impact of different operating profiles on electrochemical model parameter estimation to identify the optimal conditions. In particular, the present study is focused on Nickel Manganese Cobalt Oxide(NMC) lithium-ion batteries. Based on five fundamental current profiles (C/5, C/2, 1C, Pulse, DST), 31 combinations of conditions were generated and used for parameter estimation and validation, resulting in 961 evaluation outcomes. The Particle Swarm Optimization is employed for parameter identification in electrochemical models, specifically using the Single Particle Model (SPM). The analysis considered three dimensions: model voltage output error, parameter estimation error, and time cost. Results show that using all five profiles (C/5, C/2, 1C, Pulse, DST) minimizes voltage output error, while {C/5, C/2, Pulse, DST} minimizes parameter estimation error. The shortest time cost is achieved with {1C}. When considering both model voltage output and parameter errors, {C/5, C/2, 1C, DST} is optimal. For minimizing model voltage output error and time cost, {C/2, 1C} is best, while {1C} is ideal for parameter error and time cost. The comprehensive optimal condition is {C/5, C/2, 1C, DST}. These findings provide guidance for selecting current conditions tailored to specific needs.