⚡ electrical engineering

Modeling of Non-linear Dynamics of Lithium-ion Batteries via Delay-Embedded Dynamic Mode Decomposition

本文提出了一种基于延迟嵌入动态模式分解（DMD）的数据驱动建模方法，仅利用混合脉冲功率特性（HPPC）测试中的电压和电流数据，成功构建了能够高效捕捉锂离子电池非线性动力学特性并适应不同荷电状态及老化程度变化的预测模型。

原作者： Khalid Mahmud Labib, Shabbir Ahmed

发布于 2026-02-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Khalid Mahmud Labib, Shabbir Ahmed

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一种给锂电池“算命”和“预测未来”的新方法。

想象一下，锂电池就像一个性格复杂的“老伙计”。它内部充满了看不见的化学反应，随着使用时间的推移（老化），它的脾气（电压变化）会变得越来越难以捉摸。传统的电池管理方法要么像“物理学家”一样，试图用复杂的公式去推导内部每一个电子的运动（太难算，太慢）；要么像“老中医”一样，靠经验画电路图（不够准，太死板）。

这篇论文的作者提出了一种**“数据驱动”的魔法**，叫做延迟嵌入动态模式分解（DMD）。我们可以用几个生动的比喻来理解它：

1. 核心难题：如何听懂电池的“方言”？

锂电池的电压和电流变化非常复杂，是非线性的（就像醉汉走路，不是直线的）。

传统方法：试图给电池画一张详细的“内部解剖图”，需要知道里面有多少种材料、化学反应多快。这就像为了预测明天的天气，必须先知道大气层里每一滴水的运动轨迹，太难了。
本文方法：我们不需要知道电池内部发生了什么，只需要看它的外在表现（电压和电流）。就像你不需要知道一个人的基因，只要看他过去的走路姿势和说话语调，就能预测他下一秒会做什么。

2. 魔法工具一：时间延迟的“照相机连拍”（Hankel 矩阵）

这是论文中最巧妙的地方。

普通视角：如果你只看电池这一秒的电压，你什么也猜不到。
延迟嵌入（Delay Embedding）：作者把电池过去几十秒、甚至几分钟的电压变化，像**“连拍照片”**一样堆叠在一起，形成一个高维的“快照”。
- 比喻：想象你在看一部电影。如果你只看第 10 帧画面，你不知道主角要跑向哪里。但如果你把第 1 帧到第 100 帧叠在一起看，你就能看出主角的运动轨迹和惯性。
- 作者发现，把过去1810 个时间点的电压数据叠在一起（就像把 1810 帧画面叠成一张图），就能完美捕捉到电池内部那些看不见的“非线性”规律。

3. 魔法工具二：带“遥控器”的预测模型（DMDc）

论文对比了两种模型：

普通 DMD：就像预测天气只看过去的云（电压数据）。虽然能猜个大概，但如果突然有人往天上扔个炸弹（电流突变），它就懵了。
带控制的 DMDc：就像预测天气不仅看云，还手里拿着遥控器（电流输入）。
- 比喻：电池就像一个在跑步的人。
  - 普通模型只看他过去的步频，预测他下一步在哪。
  - DMDc 模型不仅看他过去的步频，还知道有人正在推他或拉他（电流输入）。
- 结果证明，DMDc 模型（带遥控器的）预测得准得多，误差极小。它甚至能准确预测出电池在充放电瞬间的“电压跳水”（电压骤降），这是普通模型做不到的。

4. 最厉害的地方：用“年轻时的照片”预测“老年状态”

这是论文最让人惊叹的结论：

作者只用电池年轻健康时（第 20 次循环）的数据，训练出了这个“预测模型”。
然后，他们把这个模型直接拿去预测电池老了之后（第 340 次循环，甚至第 360 次循环）的表现。
结果：虽然电池已经老化，内部结构变了，但这个模型依然能非常准确地模拟出老电池的反应！
- 比喻：这就像你只看了一个人20 岁时的走路视频，就学会了他的步态规律。然后，当这个人60 岁了，腿脚慢了、姿势变了，你依然能根据那个规律，精准预测出他 60 岁走路的样子。
- 这说明，电池老化的本质规律，其实藏在它年轻时的“运动模式”里，只要模型够聪明，就能举一反三。

总结：这有什么用？

这项研究就像给电池装上了一个**“透明的水晶球”**：

不需要拆解电池：不用知道内部化学公式，只要看电压电流数据就行。
算得快：比复杂的物理公式快得多，适合装在电动车的电脑（BMS）里实时运行。
能预测未来：不仅能知道现在电量多少，还能预测电池老化后会发生什么，帮助我们在电池彻底坏掉之前提前预警。

简单来说，作者发明了一种**“看图说话”**的高级算法，让电池自己“告诉”我们它未来的健康状况，而且是用一种既简单又精准的方式做到的。这对于让电动汽车跑得更远、更安全，有着巨大的潜力。

以下是基于论文《Modeling of Non-linear Dynamics of Lithium-ion Batteries via Delay-Embedded Dynamic Mode Decomposition》的详细技术总结：

1. 研究背景与问题 (Problem)

背景：锂离子电池因其高能量密度和长寿命被广泛应用于电动汽车和航空电源系统。为了保障系统的安全可靠运行，电池管理系统（BMS）需要精确的电池模型来监测和预测关键指标（如荷电状态 SoC 和健康状态 SoH）。
现有挑战：
- 物理模型（如电化学模型）：虽然精确，但计算复杂，难以满足实时控制需求。
- 等效电路模型（ECM）：应用广泛，但精度受电路拓扑选择和参数化影响大，且难以捕捉复杂的非线性老化行为。
- 纯数据驱动模型（如机器学习）：虽然能捕捉非线性，但往往缺乏可解释性（黑盒），且部分模型（如 SINDy、NARX）难以直接提供状态空间控制所需的矩阵（A 和 B），或对噪声敏感。
- 数据依赖：许多现有数据驱动方法需要依赖难以直接测量的内部状态（如 SoC、容量）作为输入，而这些量本身往往需要估算。
核心问题：如何构建一种既能捕捉锂离子电池复杂非线性动力学，又具备高计算效率、可解释性（线性状态空间形式），且仅需原始电压/电流数据（无需内部状态估算）的建模方法？

2. 方法论 (Methodology)

本文提出了一种基于延迟嵌入动态模式分解（Delay-Embedded DMD）及其控制变体（DMDc）的数据驱动建模框架。

核心算法：
- **动态模式分解 **(DMD)：一种数据驱动方法，利用奇异值分解（SVD）从快照数据中识别线性算子，提取时空模态及其增长率/衰减速率。
- **带控制的 DMD **(DMDc)：在 DMD 基础上引入控制输入（电流），识别状态转移矩阵 $A$ 和输入映射矩阵 $B$ ，满足 $x_{k+1} = Ax_k + Bu_k$ 。
关键创新：延迟嵌入（Delay Embedding）：
- 由于仅能观测到电压（输出）和电流（输入），且真实内部状态不可见，作者利用汉克尔矩阵（Hankel Matrix）构建时间延迟嵌入。
- 将一维电压时间序列转换为高维状态空间向量。通过堆叠 $m$ 个连续的延迟样本，将非线性动力学映射到高维线性空间中进行近似。
- 同样对输入电流信号也进行了延迟嵌入处理，以增强模型对输入动态的捕捉能力。
实验设计：
- 数据源：使用 30 Ah 锂离子电池的混合脉冲功率特性（HPPC）测试数据。
- 训练策略：仅使用电池健康状态下（新鲜电池）的 60% HPPC 数据来识别系统矩阵 $A$ 和 $B$ 。
- 验证策略：将识别出的固定矩阵应用于后续不同老化程度（不同循环次数）和不同荷电状态（SoC）的数据，仅更新控制输入，以测试模型的泛化能力和对老化的适应性。

3. 主要贡献 (Key Contributions)

无需内部状态估算的建模：该方法仅利用原始的电压和电流数据，通过汉克尔嵌入构建状态空间，避免了传统方法中对 SoC 或容量等衍生量的依赖和估算误差。
非线性动力学的线性化表示：成功将电池复杂的非线性充放电行为（包括电压骤降、瞬态响应）在延迟嵌入的高维空间中转化为可解释的线性状态空间模型（提供 $A$ 和 $B$ 矩阵），便于后续用于状态估计和控制（如卡尔曼滤波、MPC）。
对老化效应的鲁棒性：证明了在电池健康状态下识别的模型参数，经过仅更新输入信号后，仍能有效预测老化电池的动力学行为，展现了模型在退化状态下的适应性。
DMDc 的优越性：明确展示了引入电流作为控制输入（DMDc）比纯输出模型（DMD）在预测精度上具有显著提升。

4. 实验结果 (Results)

参数优化：
- 嵌入维度：对于 DMDc 模型，电压输出的嵌入维度为 1810 时残差最小；对于输入电流，延迟嵌入维度为 6 时效果最佳。
- 误差对比：
  - DMDc 模型：在最佳参数下，残差平方和（RSS）低至 1.74（输入嵌入优化后）和 3.86（仅电压嵌入）。
  - 标准 DMD 模型：RSS 约为 30。
  - 相比之下，DMDc 的精度显著高于标准 DMD。
预测性能：
- 短期与长期预测：在充电/放电循环的早期（前 2.5 小时），两种模型均表现良好。随着预测时间延长，标准 DMD 误差迅速增大（>6.5 小时后偏差明显），而 DMDc 即使在长时域（>10 小时）仍能保持高精度的脉冲响应预测。
- 老化适应性：在电池老化（如第 360 次循环）的情况下，DMD 的 RSS 上升至 143，而 DMDc 仅上升至 76。DMDc 成功捕捉了老化引起的电压骤降和瞬态响应变化。
可视化验证：实验图表显示，DMDc 预测的电压曲线与实验测量值高度重合，特别是在脉冲充放电的瞬态阶段。

5. 意义与展望 (Significance)

理论意义：提供了一种在可解释的线性框架下处理非线性系统的新范式。通过延迟嵌入，将非线性问题转化为高维线性问题，既保留了物理可解释性（模态、极点），又避免了复杂的物理方程求解。
应用价值：
- BMS 集成：由于模型直接提供 $A$ 和 $B$ 矩阵，可直接用于现有的状态空间控制算法（如 LQR、MPC）和滤波器，无需重新设计。
- 实时性与效率：相比电化学模型，计算效率更高；相比黑盒机器学习，具有更好的透明度和可解释性。
- 诊断与预后：该方法为构建自适应电池诊断和预后框架奠定了基础，能够实时跟踪电池非线性行为的演变。
未来方向：该框架不仅适用于锂离子电池，未来可扩展至其他储能技术，并进一步探索在更复杂工况下的实时在线参数更新机制。

总结：该论文成功利用延迟嵌入 DMDc 技术，仅凭电压和电流数据构建了高精度、可解释且对电池老化具有鲁棒性的锂离子电池动力学模型，为下一代电池管理系统的开发提供了强有力的数据驱动工具。