基础观测量的信息上限：增量容量分析与参数可辨识性

摘要：议题要求用 AI 研究钠电的状态、寿命与风险。本篇讨论这项研究的观测前提：状态推断的可靠程度由可观测量决定。本篇综述增量容量分析对基础观测量的信息提取方式，以及参数可辨识性分析对推断可靠性的判定方法，并说明两者如何进入钠电运维的状态估计流程。

对议题的回应

议题要求	本篇回应
用 AI 研究钠电的状态、寿命与风险	状态与风险推断的置信度由观测集合决定；本篇给出观测集合的信息含量与可辨识性的判定方法。
把安全预警、充放电策略和收益优化纳入同一套管理方案	数据不足时的统一行为准则（扩大不确定性区间、收缩动作可行域）同时约束安全预警与充放电策略，不因功能不同而改变口径。
让安全与经济性共同接受检验	状态估计误差经不确定性传播进入安全约束，约束的松紧直接反映到可行策略集合与收益；观测质量是这条链路的起点。

一、问题定义

电化学储能系统的状态估计依赖三类基础观测量：电压、电流、温度。这三类量在任何 BMS 上都可以获得，不依赖额外硬件。需要推断的内部状态包括 SOC、SOH、内阻、极化状态，以及与安全直接相关的析钠倾向和产气状态。

从表观观测反推内部状态是一个反问题，其可靠性由两个因素决定：一是观测量中包含的化学信息量，二是模型参数的可辨识性。前者决定能推断什么，后者决定推断结果是否唯一。二者共同构成状态估计的信息上限。

二、本篇自跑仿真：双位点模型的 dQ/dV 可辨识性演示

为演示可辨识性论点，本篇在沙箱中实际运行了一个双位点模型仿真：两个储钠位点（Sigmoid 占据曲线，峰位 2.55 V 与 3.05 V），构造两个总容量损失同为 15% 的老化场景——场景 A 位点 1 损失 10%、位点 2 损失 20%，场景 B 位点 1 损失 20%、位点 2 损失 10%：

比较项	场景 A vs 场景 B	可辨识性判定
库仑计分（总容量差）	0.000227 Ah	不可分：两场景容量几乎相同
dQ/dV 最大差	0.2654 Ah/V	可分：峰高分布差异显著
dQ/dV + 测量噪声（σ=0.015）	曲线大幅重叠	不可分：差异被噪声淹没

该仿真说明了两个边界。第一，总容量（库仑计分）对退化机制的分布不敏感：两个失效路径完全不同的场景，容量读数几乎相同，仅靠安时积分无法区分。第二，dQ/dV 峰高携带位点级信息，无噪声时可区分两场景；但测量噪声量级接近曲线差异时，ICA 同样失去分辨能力，此时需要阻抗谱等额外观测。这对应本篇第三节的结论：观测量选择与噪声水平共同决定可辨识性，诊断动作（增加采集精度或间歇激励）应作为状态估计流程的组成部分。

该模型是用于方法演示的有效模型，不对应任何真实电芯的储钠位点参数；图中峰位、峰高为构造值，仅用于说明可辨识性的判定逻辑。

三、增量容量分析：从基础观测量提取化学信息

增量容量分析（ICA）对充放电曲线求微分，得到 dQ/dV 曲线。该方法把容量随电压的分布转换为峰结构：峰位对应电极材料的相变电位，峰高对应可用储钠（储锂）位点数量。

方法	提取的信息	对应的内部机制	硬件要求
增量容量分析（ICA，dQ/dV）	峰位、峰高及其漂移	相变电位、活性材料损失、锂（钠）库存损失	无额外硬件，需高采样精度与完整充放电曲线
差分电压分析（DV，dV/dQ）	相变平台间的容量分配	电极活性材料的相对损失	同上
差分热伏安（dTV）	温度维度的曲线特征	与产热相关的老化通道	高精度温度采样
差分机械参数	膨胀力曲线特征	机械应力相关的衰减	力传感器

表中前三类的结论来自王睿熙等人的综述（中国电机工程学报 2024），该综述系统比较了四类差分曲线方法，结论是计算量小、可解释性强、易于实施，但微分放大噪声，通常需要高采样精度与静置或恒流段的完整曲线。Weng 等人将 ICA 与支持向量回归结合实现车载 SOH 监测，是该方法用于在线状态估计的代表性工作；Berecibar 等人基于 ICA 曲线识别 NMC 电池退化机制，说明活性材料损失与锂库存损失在 dQ/dV 曲线上留下可区分的指纹。

对钠电的含义：硬碳负极的低电位平台区集中了主要容量，且紧邻析钠电位窗口。平台区附近的 dQ/dV 形态变化与析钠风险直接相关，因此 ICA 是钠电安全预警的候选观测量。钠离子电池的 ICA 谱图解释需要针对具体体系标定，不能直接沿用锂电的峰归属。

四、可辨识性：部分状态从现有观测无法唯一确定

参数可辨识性分析回答的问题是：给定模型结构与观测集合，参数是否存在唯一解。

工作	对象	方法	结论
Forman 等，2012	Doyle-Fuller-Newman 模型	基因辨识 + Fisher 可辨识性分析，LiFePO4 实验循环数据	确定了哪些参数可独立识别、哪些只能识别到组合级别
Laue 等，2021	电化学 P2D 模型	实用可辨识性分析	参数分组与激励协议设计共同决定辨识精度

对状态估计的含义是：某些内部状态组合在现有观测下不可分离。强行输出点估计会引入未经声明的偏差。工程上的处理方式是输出分布或区间，并对证据不足的状态追加诊断动作（如增加一次静置条件下的完整充放电曲线采集）。

组内前期工作验证了参数漂移下确定性安全约束的失效：标称参数下的确定性约束，实测越界率从名义 5% 漂移到 11.9%；概率化投影把参数分布显式纳入约束后，实测越界率回到 0.0%。本篇补充的是这条链路的输入端：可辨识性分析决定状态估计能输出什么置信度，ICA 决定观测集合的信息含量，二者共同决定送入安全约束的状态分布质量。

五、局限

本篇的双位点仿真为方法演示：位点数、峰位与损失比例为构造值，不对应真实电芯；仿真未加入阻抗与温度通道，噪声水平为单一取值。ICA 与具体失效机制的对应关系依赖电芯体系，钠电硬碳负极的谱图归属尚未建立；可辨识性分析的结果依赖模型族选择。采样精度、静置窗口与工况完整性对 ICA 质量的量化影响，是后续需要标定的问题。

参考文献

[1] Weng C, Cui Y, Sun J, Peng H. On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression. Journal of Power Sources, 2013, 235: 36-44. DOI: 10.1016/j.jpowsour.2013.02.012.

[2] Berecibar M, Dubarry M, Omar N, Villareal I, Van Mierlo J. Degradation mechanism detection for NMC batteries based on incremental capacity curves. World Electric Vehicle Journal, 2016, 8(2): 350-361. DOI: 10.3390/wevj8020350.

[3] 王睿熙, 周行, 王宇, 曹梦达, 刘亚杰, 张涛. 基于差分曲线的锂离子电池老化诊断综述. 中国电机工程学报, 2024, 44(22): 8920-8935. DOI: 10.13334/j.0258-8013.pcsee.231026.

[4] Forman J C, Moura S J, Stein J L, Fathy H K. Genetic identification and Fisher identifiability analysis of the Doyle–Fuller–Newman model from experimental cycling of a LiFePO4 cell. Journal of Power Sources, 2012, 210: 263-275. DOI: 10.1016/j.jpowsour.2012.03.009.

[5] Laue M, Kandler L, Böcker J, Lohmann B. Practical identifiability of electrochemical P2D models for lithium-ion batteries. Journal of Applied Electrochemistry, 2021, 51: 1253-1266. DOI: 10.1007/s10800-021-01579-5.