半电池模型如何拆解电极级退化路径？

参考文献

Wang B, Gao Y, Zhang Y. Electrode-Level Diagnosis of Lithium-Ion Battery Path-Dependent Degradation Using a Half-Cell Model.Batteries. 2026; 12(8):313.

TL;DR

• 这篇论文的核心贡献不是"又一个SOH估算方法"，而是把循环老化+日历老化交替耦合场景下的退化诊断，从电芯级推进到了电极级——能告诉你容量到底是正极掉的、负极掉的，还是锂库存损失。
• 方法本身是经典半电池模型的延伸：用正负极OCP曲线做缩放和平移（4个参数），通过遗传算法拟合全电池pOCV曲线，反推LAMPE、LAMNE、LLI三个退化模式。
• 6组老化工况（含交替老化、连续循环、日历老化）下，pOCV重构RMSE全部≤10.5 mV，这个精度在同类研究中属于第一梯队。
• 关键发现：负极活性物质损失（LAMNE）对路径依赖性最敏感——同样的累计老化暴露量，长短周期交替方案下LAMNE差异可达3个百分点以上，而LLI的路径依赖性较弱。
• 工程落地角度：目前单次RPT拟合需20-60秒（RTX 4060 + MATLAB），适合离线诊断；要直接上量产BMS还需进一步轻量化，但作为云端诊断工具已经非常成熟。
• 最大的方法论价值在于：用常规RPT数据（C/24充电曲线）就能做电极级诊断，不需要拆解电池、不需要EIS设备，数据获取成本几乎为零。

💬 互动投票：你认为半电池模型法会成为下一代BMS退化诊断的主流方案吗？

• A. 会，物理可解释性强，诊断结果能直接指导寿命预测和控制策略优化
• B. 不会，机器学习端到端更直接，何必绕一圈搞物理模型
• C. 两者融合才是终局，物理模型做约束+机器学习补精度，才是工程最优解

欢迎在评论区留下你的选择和理由～

一、问题意识：为什么我们需要电极级的退化诊断？

1.1 SOH只是"结果"，不是"病因"

在BMS领域，SOH（State of Health）估计是一个经典且"成熟"的话题。从安时积分法到卡尔曼滤波，从等效电路模型到数据驱动方法，学术界和工业界已经折腾了十几年。

但这里有一个被长期忽视的核心问题：SOH只能告诉你电池"衰退了多少"，却无法告诉你"为什么衰退"。

举个很现实的例子：两块电芯，SOH都掉到了85%，看起来衰减程度一样。但可能： - 电芯A的主要衰减原因是负极活性物质损失（LAMNE）——石墨颗粒破碎、SEI持续生长 - 电芯B的主要衰减原因是锂库存损失（LLI）——可循环锂被副反应消耗掉了 - 电芯C的主要衰减原因是正极活性物质损失（LAMPE）——NCA/NMC晶体结构坍塌

这三种情况，对应的控制策略优化方向完全不同： - LAMNE主导的，应该降低充放电倍率、减小DOD范围 - LLI主导的，应该优化充电策略（比如调整CCCV阶段）、减少高温存储 - LAMPE主导的，应该降低充电截止电压、避免高SOC停留

如果BMS只能输出一个SOH数值，那所有的健康管理策略都是"盲人摸象"。这就是电极级退化诊断的根本意义所在。

1.2 路径依赖老化让问题更复杂

论文的切入点很巧妙——它瞄准了路径依赖退化（path-dependent degradation）这个痛点。

什么是路径依赖？简单说就是：同样的累计老化暴露量（比如同样的循环次数+同样的存储时间），因为老化发生的顺序和节奏不同，最终的衰减程度和机理分布可能完全不一样。

这不是理论推测，而是已被大量实验证实的现象。原因在于： - 循环老化和日历老化的主导机理不同（循环老化→机械应力+电化学应力；日历老化→时间/温度/SOC依赖的副反应） - 两种老化过程交替发生时，SEI生长、颗粒开裂、电解液氧化、锂析出等过程会相互作用，改变后续的老化速率

Karger等人2024年在Journal of The Electrochemical Society上的研究已经明确指出：日历老化和循环老化不能简单线性叠加，因为粒子开裂和SEI开裂之间存在耦合效应。

但问题是，现有的路径依赖研究大多停留在电芯级的容量/阻抗层面，很少深入到电极级去看不同老化路径下，LAMPE、LAMNE、LLI分别是怎么演化的。

1.3 RPT数据的"浪费"

说到这里，有一个非常值得吐槽的现状：

几乎所有的电池测试实验室和车企，都会定期做RPT（Reference Performance Test，参考性能测试）。RPT里会有低倍率（比如C/20或C/24）的充放电曲线，也就是所谓的pOCV（pseudo-Open Circuit Voltage，伪开路电压）曲线。

这条曲线里包含了极其丰富的电极级退化信息——因为pOCV本质上就是正极OCP减去负极OCP，而正负极的相变特征峰都印在这条曲线上。

但90%的情况下，人们从RPT里只提取两个数：容量和内阻。剩下的整条曲线信息，全部被浪费了。

这就好比你去医院做了全套体检，医生却只看了你的体重和血压，然后把其他所有化验报告都扔了。

半电池模型法的核心价值，就是把这些被浪费的pOCV曲线信息重新利用起来，从中反推出电极级的退化状态。而且数据获取成本为零——因为RPT本来就是要做的。

二、核心创新：半电池模型 + pOCV重构 + 遗传算法

2.1 半电池模型的基本原理

半电池模型（Half-Cell Model）这个概念最早可以追溯到Bloom等人的工作，后来被Dubarry、Zhu等学者不断完善。它的核心思想非常朴素但极其精妙：

全电池的开路电压 = 正极开路电位 - 负极开路电位

用公式表达就是：

这个公式看似简单，但里面藏着一个关键的洞察：正负极各有自己的SOC坐标系，而全电池的SOC是这两个坐标系通过"锂离子守恒"耦合起来的。

当电池老化时，正负极发生了什么？ -活性物质损失（LAM）：电极能容纳的锂离子总量减少了 → 对应电极OCP曲线的缩放（scaling）-锂库存损失（LLI）：可循环的锂总量减少了 → 对应电极OCP曲线的平移（shifting）

所以，只需要4个参数，就能描述老化后正负极OCP曲线相对于新鲜态的变化： - αPE：正极缩放参数（>1表示容量损失） - βPE：正极平移参数（<0表示锂库存损失导致的偏移） - αNE：负极缩放参数 - βNE：负极平移参数

坐标变换关系为：

这就是所谓的"四参数半电池模型"。

2.2 pOCV重构的完整链路

整个pOCV重构的流程可以用一句话概括：用已知的新鲜态正负极OCP曲线，通过调整4个退化参数，去拟合老化后的全电池pOCV曲线。

具体步骤如下：

第一步：获取基准数据- 从新鲜电芯拆解制备半电池（对锂金属），分别测得正极OCP和负极OCP曲线 - 这一步是离线标定，只需要做一次（同型号电芯）

第二步：获取目标数据- 从老化后的全电池RPT中提取C/24充电的pOCV曲线 - 之所以用C/24这么低的倍率，是为了尽量消除极化影响，让测得的电压接近真实开路电压

第三步：参数辨识- 初始化4个参数（αPE, βPE, αNE, βNE） - 通过坐标变换将正负极OCP映射到全电池SOC坐标系 - 计算正负极OCP的差值，得到重构的pOCV曲线 - 比较重构曲线与实测曲线的差异，不断优化参数

第四步：计算退化模式- 从最优参数中计算出LAMPE、LAMNE、LLI的百分比

这整个过程有点像"拼图"——你知道每一块拼图（正负极OCP）的形状，你也知道最终拼出来的图案（全电池pOCV），你需要找到每块拼图应该放大/缩小多少、移动多少位置才能完美拼出目标图案。

2.3 遗传算法为什么是合适的选择？

论文中使用遗传算法（GA）来求解这4个参数。这里有一个值得讨论的问题：为什么用GA，而不是更简单的优化算法？

原因在于这个优化问题的特性：

1. 非凸性：pOCV重构的误差曲面存在多个局部最优。比如，正极缩放一点+负平移一点，可能和负极缩放一点+正平移一点，得到的全电池pOCV看起来差不多。用梯度下降很容易陷入局部最优。

2. 约束条件明确：4个参数都有物理意义上的边界（见表2）。α必须>1（因为老化只会减少容量，不会增加），β必须在[-1, 0]之间。这些边界约束非常适合GA的搜索机制。

3. 对初值不敏感：GA是全局优化算法，不需要好的初值猜测，这在工程应用中非常重要——因为你不知道电池到底老化到什么程度了。

论文中GA的设置也很值得关注： -目标函数不是单一的pOCV RMSE，而是pOCV拟合误差 + 微分电压（DV）拟合误差的加权和 - pOCV的权重λpOCV=100，DV的权重λDV=1 - pOCV的ROI（感兴趣区域）是全SOC范围[0,1] - DV的ROI是[0.1, 0.9]，去掉两端的噪声敏感区

为什么要把DV也加进目标函数？因为微分电压曲线上的特征峰（对应电极相变）包含了丰富的物理信息。如果只拟合pOCV曲线本身，可能出现"数学上拟合得很好，但物理上不合理"的情况——比如特征峰的位置和高度完全不对。

把DV加进去作为约束，相当于给优化器上了一个"物理意义保险"，确保拟合出来的参数不仅曲线对得上，而且电极相变特征也对得上。这是论文做得比较细致的地方。

论文还做了敏感性分析（见表3），验证了权重系数和ROI选择对结果的影响，结论是： - pOCV权重太小（10:1）会导致RMSE飙升到20mV以上 - 缩小pOCV的ROI（去掉两端各2%-5%）反而让误差大幅上升 - DV的ROI从[0.1, 0.9]缩到[0.15, 0.85]，RMSE变化不大（10.452 → 10.352 mV）

这个结果也符合直觉：pOCV两端虽然有极化影响，但它们同样包含退化信息，不能随便丢掉；而DV两端主要是噪声，适当收窄ROI反而有益。

2.4 四参数如何转化为LAM和LLI？

这是很多读者都会问的问题：4个缩放平移参数，怎么换算成LAMPE、LAMNE、LLI这三个退化模式？

基本思路是这样的：

• LAMPE：正极活性物质损失 = (1 - 1/αPE) × 100%。因为α>1表示电极可用容量被"压缩"了。
• LAMNE：同理，负极活性物质损失 = (1 - 1/αNE) × 100%。
• LLI：锂库存损失需要结合正负极的平移和缩放参数综合计算。它反映的是可循环锂总量相对于初始状态的减少比例。

具体来说，LLI的计算需要考虑： 1. 初始状态下，全电池容量由正负极中较小的那个决定（通常设计上负极容量略大于正极，即N/P比>1） 2. 老化后，锂库存减少意味着正负极的SOC工作窗口整体发生了偏移 3. 通过β参数（平移量）结合α参数（缩放量），可以反推出有多少锂"不见了"

论文的Figure 7展示了4个参数随RPT次数的演化轨迹，Figure 8-10则分别展示了LAMNE、LAMPE、LLI的演化结果。

三、跨体系对比：半电池模型法的优势与局限

3.1 主流退化诊断方法横向对比

目前主流的电池退化诊断方法，大致可以分为以下几类：

3.2 半电池模型法的独特优势

优势一：数据获取成本极低

这是半电池模型法最大的"护城河"。它只需要两样东西： 1. 一次新鲜电芯的半电池OCP标定（同型号做一次就行） 2. 常规RPT中的pOCV曲线（本来就要测的）

不需要额外的测试设备，不需要拆解电池，不需要EIS测试仪。只要你的BMS能记录低倍率充电曲线，就能做。

优势二：物理可解释性强

诊断结果直接对应三个物理意义明确的退化模式（LAMPE、LAMNE、LLI），而不是某个抽象的"健康因子"。这对工程应用太重要了——你知道是哪里出了问题，才能针对性地优化。

优势三：精度高且稳定

这篇论文在6种完全不同的老化工况下，RMSE全部控制在10.5 mV以内。而且从早期到后期，误差增长平缓（早期~5.8 mV，中期~8.3 mV，末期~10.5 mV），说明模型在老化全周期内都有效。

对比一下：纯IC/DV法通常只能做定性或半定量分析（比如"这个峰矮了，说明某某退化了"），很难给出精确的百分比。

优势四：对路径依赖老化的适用性

这是这篇论文特别强调的一点。半电池模型法不关心电池是怎么老化的（循环还是日历，交替还是连续），它只看"现在pOCV长什么样"，然后反推当前的电极状态。

这意味着，无论老化路径多复杂，只要pOCV曲线能测准，诊断结果就是可靠的。这对于路径依赖老化研究来说，是一个非常干净的观测工具。

3.3 半电池模型法的局限性

局限一：需要低倍率数据

半电池模型法的核心假设是：测得的pOCV足够接近真实开路电压。这就要求充电倍率足够低（论文用的C/24）。

如果倍率太高（比如C/5以上），极化效应会严重扭曲pOCV曲线，导致拟合出来的参数失真。最近的研究（如arXiv 2512.19773）也指出了这个问题——IR降和迟滞效应会产生"虚假的LAM/LLI"。

这就带来了一个工程矛盾：BMS在车上很难获得C/24这么低倍率的完整充电数据。用户充电一般是1C甚至更高，慢充也很少低于0.2C。

局限二：OCP曲线不变的假设

半电池模型有一个隐含假设：老化过程中，正负极的OCP曲线形状本身不变，只是缩放和平移。

但这个假设在老化后期可能不成立。比如： - 正极材料发生相变（层状→尖晶石→岩盐相），OCP曲线形状会变 - 负极SEI过度增厚，也可能改变表观OCP - 硅碳负极的话，因为硅的体积效应，OCP形状变化更明显

论文也承认了这一点："identified LAMPE, LAMNE, and LLI values should be interpreted as effective electrode-level degradation indicators under the invariant-OCP-shape assumption."

也就是说，这些值是有效退化指标，不是绝对精确的物理量。

局限三：需要半电池标定

要应用这个方法，你得先知道同型号电池新鲜态的正负极OCP曲线。这意味着你需要： 1. 拆电池 2. 在手套箱里做半电池 3. 对锂金属测OCP

对于车企或BMS厂商来说，这增加了前期标定成本。当然，对于同一型号的电芯，只需要标定一次。

局限四：计算量对嵌入式平台来说偏重

论文中单次RPT拟合平均需要30秒（RTX 4060 GPU + MATLAB），最多60秒。在PC/GPU平台上这不算什么，但要放到BMS的MCU上跑，难度就很大了。

不过，这个问题可以通过"云端计算"来规避——BMS把RPT数据传到云端，云端算好后再把结果发下来。现在很多车企已经在做云端BMS了，这个路径完全可行。

四、工程落地成熟度评估

4.1 RMSE ≤10.5 mV 是什么水平？

先给大家一个参照系，让大家对"10.5 mV"有概念：

• 锂离子电池满电电压~4.2V，放电平台~3.6-3.7V
• 10.5 mV 相对于4.2V来说，相对误差约为0.25%
• 一般BMS的电压采集精度在±5-10 mV量级

所以，10.5 mV的RMSE意味着什么？重构曲线和实测曲线的偏差，已经接近BMS采集系统的噪声水平了。

换句话说，模型已经拟合到了"数据本身的噪声地板"附近，再想提升精度，可能需要从测量端入手，而不是从算法端。

横向对比同类研究： - Zhu等人2023年的研究（Electrochimica Acta）：类似方法，RMSE在几mV到十几mV - Navidi等人2024年的研究（Energy Storage Mater.）：物理信息机器学习方法，精度各有优劣

10.5 mV这个数字，在半电池模型类的研究中属于第一梯队水平。尤其是考虑到这篇论文覆盖了6种差异很大的老化工况（从日历老化到连续循环），这个精度的"广谱性"更难得。

4.2 能不能直接装车用？

答案是：直接上量产BMS还差点意思，但作为云端诊断工具已经非常成熟了。

让我们从几个维度来评估：

计算资源维度- 当前实现：MATLAB + RTX 4060，单次RPT ~30秒 - 量产BMS的MCU：一般是几百MHz的ARM Cortex-R或类似内核 - 差距：GA迭代计算量不小，直接在MCU上跑可能需要好几分钟甚至更久 - 解决方案： 1.云端计算：BMS上传RPT数据 → 云端计算 → 下发诊断结果。这是目前最现实的路径。 2.算法轻量化：用更高效的优化算法（比如粒子群、Levenberg-Marquardt）替代GA，或者用GA预训练+查表插值。 3.简化模型：从4参数降到2参数（比如只考虑LLI+总LAM），计算量大幅减少，但诊断粒度也降低了。

数据获取维度- 理想情况：C/24完整充电曲线 - 实车情况：很难获得这么低倍率的完整充电 - 可能的解决方案： 1. 利用慢充片段：如果用户偶尔用慢充，可以截取低速段数据 2. 利用静置回弹：长时间静置后的电压变化，可以部分反推OCV 3.IR校正：如果充电倍率不是特别低（比如C/10），可以先做IR降校正再拟合 4.高倍率修正：最新研究（RSC 2026论文）已经在探索用C/5数据+机器学习残差补偿来重构C/40级别的退化模式

可靠性维度- 目前验证了6种老化条件，都是NCA/石墨体系的18650 - 实际车用的电芯（方形/软包、高镍/磷酸铁锂、硅碳负极等）还需要更多验证 - 尤其是磷酸铁锂（LFP），因为其OCV曲线非常平坦，半电池模型的参数可辨识性会更差

标定维度- 需要预先知道正负极OCP曲线——这对车企来说不是大问题，因为电芯供应商会提供基础数据 - 但不同批次、不同厂商的同型号电芯，OCP曲线可能有细微差异，需要考虑批次一致性

4.3 量产BMS需要什么样的退化诊断？

让我们跳出来想一个更根本的问题：量产车上的BMS，到底需要多精细的退化诊断？

我的判断是：

所以，半电池模型法的主要价值不在"日常显示SOH"，而在精细化健康管理和故障诊断。

对于高端车型来说，如果能做到"根据电极级退化状态动态调整充电策略"，那确实是一个差异化卖点。比如： - 检测到LLI为主 → 降低充电电流，减少SEI生长 - 检测到LAMNE为主 → 减小放电深度，降低机械应力 - 检测到LAMPE为主 → 降低充电截止电压，保护正极结构

这才是电极级退化诊断真正的"用武之地"。

4.4 我的判断：半电池模型的定位

综合来看，我对半电池模型法的落地判断是：

1. 近期（1-2年）：主要在云端BMS和实验室/售后场景落地，作为高级诊断工具
2. 中期（3-5年）：随着MCU算力提升和算法轻量化，可能进入高端车型的BMS，作为"高级SOH"功能的一部分
3. 长期（5年+）：与物理信息机器学习（PINN）融合，形成"物理模型+数据修正"的混合架构——半电池模型提供物理骨架，机器学习补偿残差和非线性效应

这个趋势其实已经在发生了。Xiong等人2025年的研究（Journal of Energy Chemistry）就是用物理信息神经网络（PINN）来增强电极级诊断；Navidi等人2024年的研究也系统比较了各种物理+数据融合的方法。

五、论文亮点提炼

在结束正文之前，我再提炼几个这篇论文值得关注的亮点：

5.1 实验设计的严谨性

论文用了6组老化工况，实验设计非常讲究： - A1 vs B1：CC循环+日历交替，短周期（1天循环+5天日历）vs 长周期（2天循环+10天日历） - A2 vs B2：CCCV循环+日历交替，同样的长短周期对比 - C组：纯连续循环老化（无日历） - D组：纯日历老化（无循环）

关键是：A1和B1的累计老化暴露量是一样的（都是1:5的循环-日历时间比），只是交替周期不同。这样的"配对实验"才能真正揭示路径依赖效应。

5.2 关键发现：LAMNE是路径依赖的"晴雨表"

论文最有价值的发现是：

负极活性物质损失（LAMNE）对老化路径最敏感，而锂库存损失（LLI）的路径依赖性较弱。

具体数据： - CC交替组：A1的LAMNE = 16.42%，B1的LAMNE = 19.54%，差异3.12个百分点- 同样是CC交替组，LLI的差异只有1.3个百分点（16.61% vs 17.91%） - CCCV交替组的LAMNE差异也有3.13个百分点（8.77% vs 11.90%）

这说明什么？说明路径依赖老化主要不是通过"多消耗了锂"来体现的，而是通过"加剧了负极的机械/结构损伤"来体现的。

长周期交替意味着更长时间的连续循环，这会让负极经历更多次的嵌脱锂循环，石墨颗粒的膨胀收缩更频繁，更容易开裂——这就是LAMNE增加的原因。

而LLI主要和SEI生长等化学过程相关，更多取决于累计时间和温度，对"循环是连续还是分散"不那么敏感。

这个发现对于建立更准确的老化模型非常有指导意义。

5.3 CCCV vs CC的差异

另一个有意思的发现是：CCCV循环的老化程度比CC循环轻很多。

比如，同样是短周期交替： - A1（CC循环）：LAMNE=16.42%, LAMPE=9.87%, LLI=16.61% - A2（CCCV循环）：LAMNE=8.77%, LAMPE=7.34%, LLI=10.29%

几乎所有指标都下降了近一半。原因很直观：CCCV充电方式更温和，恒压阶段让负极表面的锂浓度梯度更平缓，减少了析锂风险和局部过充。

这也从侧面印证了：充电策略对电池老化的影响非常大，而电极级诊断可以量化这种影响的分布。

FAQ

Q1：半电池模型法和增量容量法（IC法）有什么区别？

A：两者都用到了低倍率充放电曲线，但分析深度完全不同。IC法是直接看dQ/dV曲线上的峰位、峰高变化，做定性或半定量判断；半电池模型法则是通过正负极OCP的数学变换，定量反推出LAMPE、LAMNE、LLI三个退化模式的具体百分比。可以理解为：IC法是"看面相诊病"，半电池模型法是"做化验定量"。

Q2：为什么要用遗传算法？用最小二乘法不行吗？

A：因为这个优化问题是非凸的——存在多个局部最优解。最小二乘法（或其他梯度类算法）对初值很敏感，容易陷入局部最优。遗传算法作为全局优化算法，能在参数空间里更全面地搜索，更可能找到全局最优。而且论文中的GA还有"多次运行取最优"的策略（最多10次，直到找到3个RMSE<15mV的解），进一步降低了随机性的影响。

Q3：这个方法对磷酸铁锂电池（LFP）适用吗？

A：理论上适用，但实际效果会打折扣。因为LFP的OCV曲线非常平坦（平台区长且平），可用于辨识的特征信息少，参数的可辨识性会降低。这篇论文用的是NCA/石墨体系，OCV上有多个明显的特征峰，所以拟合效果好。对于LFP，可能需要结合其他方法（比如EIS）来提升诊断精度。

Q4：pOCV和OCV有什么区别？为什么不直接叫OCV？

A：严格来说，OCV（开路电压）是电池在完全平衡状态下的电压，需要在每个SOC点都充分静置（比如几小时）才能测得。而pOCV（伪开路电压）是用很低的倍率（如C/24）充放电时测得的电压，因为倍率很低，极化效应很小，测得的电压"近似于"开路电压，但又不是严格意义上的OCV。论文用"pOCV"是严谨的表述——毕竟C/24还是有微小极化的，只是可以忽略。

Q5：如果我想在自己的项目里用这个方法，需要准备什么？

A：你需要三样东西：① 同型号新鲜电芯的正负极OCP曲线（需要拆电池做半电池测试获得）；② 老化电芯的低倍率充电pOCV曲线（C/20以下最好，C/10也能凑合用但要做IR校正）；③ 优化算法实现（GA、PSO等都可以，目标函数用pOCV+DV加权效果更好）。如果没有条件测半电池OCP，也可以尝试从文献中找同体系的OCP数据，但精度会受影响。

Q6：论文里的四参数和通常说的三退化模式是什么关系？

A：四参数（αPE, βPE, αNE, βNE）是模型的直接辨识参数，分别描述正负极OCP曲线的缩放和平移。三退化模式（LAMPE, LAMNE, LLI）是从这四个参数计算出来的物理量。简单说：α对应LAM（缩放越大=活性物质损失越多），β结合α可以算出LLI（平移量越大=锂库存损失越多）。4个参数反推3个退化量，其中有一个冗余约束（锂离子守恒），这也是保证结果一致性的基础。

本文仅用于技术交流和学术讨论，不构成任何产品设计或工程实施的建议。