近日，中国科学院广州能源研究所储能技术研究团队在锂离子电池健康状态在线评估方面取得新进展，提出了一种新颖的容量衰退特征突变点在线识别框架。相关研究成果发表于《应用能源》（Applied Energy）。

锂离子电池特征变化点在线识别策略框架。研究团队供图，下同

精准评估锂离子电池的健康状态并及时掌握其容量衰退趋势，是保障锂电储能系统安全、高效运行的关键。然而，传统方法在识别容量衰退拐点（如“膝点”）时，往往高度依赖完整的容量退化曲线。此外，在实际运行工况下，在线估计得到的容量退化曲线易受噪声与波动干扰，导致特征突变点的实时准确捕捉面临巨大挑战。

针对上述难题，研究团队提出了一种新颖的锂离子电池容量衰退特征突变点在线识别框架，并在NCA（镍钴铝三元锂电池）、NCM（镍钴锰三元锂电池）及LFP（磷酸铁锂电池）三种类型电池上进行了验证。该研究首先聚焦于充电阶段的容量增量曲线，截取恒流充电结束前的短时数据作为健康因子，实现了对电池当前可用容量的快速、准确估算。在此基础上，融合动态窗口调整、加权滑动窗口以及多阶段验证与去重机制，开发出改进的累积和（CUSUM）算法，用于精准定位容量衰减曲线中的全局特征突变点。

改进CUSUM算法框架。

研究结果表明，该改进算法展现出卓越的精确性与实时响应能力：对突变点识别的平均误差仅为16.42个循环，平均响应延迟低至4.20个循环。此外，该策略具有较强的工况适应性，不仅能有效识别常规的非线性老化衰退模式，还能敏锐捕捉早期出现的异常容量跳水现象。

该成果有效打破了传统算法对完整循环数据的依赖，所实现的高效在线识别可为电池的本体设计优化、动态运行策略制定以及退役电池的梯次利用等多种应用场景提供重要的评估指标与科学决策依据。

相关论文信息：https://doi.org/10.1016/j.apenergy.2026.127581