摘要：低温环境下，锂离子电池的电化学反应动力学受阻，导致容量衰减加快和内阻增大，严重影响其寿命与安全性。为实现内部老化无损估计，提出一种基于时空卷积神经网络（ST-CNN）的电池内部老化状态估计方法。首先，原位分析法对电池容量增量曲线（IC）和微分电压曲线（DV）进行分析，计算活性物质损失（LAM）、锂损失（LLI）和电导率损失（LC）这3种老化模式的量化参数；其次，通过材料形貌变化与电化学阻抗谱（EIS）特征提取，构建内部老化的量化表征体系；然后，将时序与空间特征联合建模，设计基于ST-CNN的内部老化状态估计框架，实现对电池内部复杂衰退机理的精准映射；最后，利用低温工况实验数据对所提模型进行验证。实验结果表明，该方法能够在多种低温工况下实现高精度的老化状态估计：MAE 不高于1.3%，RMSE不高于6.1%，R2不低于0.99。研究成果为电池管理系统寿命预测与安全管理提供了新思路。

      关键词：锂离子电池；低温工况；衰退机理；内部老化估计；时空卷积神经网络

      中图分类号：TM28     文献标识码：A