产品分类

首页 > 新闻中心

银杉蓄电池热带环境下电动汽车电池退化的实验表征：气候因素与当地驾驶条件的影响

日期 2026-04-18 11:40:29 来源：德国银杉蓄电池

现有文献对热带环境下电动汽车（EV）电池的退化机制认识不足。本研究旨在通过实验方法表征EV锂离子电池的退化特征，评估喀麦隆热带环境中气候因素（温度、湿度、粉尘）与本地驾驶条件（道路质量、行驶里程）的影响。本研究的贡献在于提供了独特的实证数据——这些数据源自实际运行监测，专门针对撒哈拉以南环境设计，并纳入了常被忽视的变量。基于某测试电动车开发了一套车载实验装置，该装置集成了Arduino兼容传感器（DHT22温湿度传感器、Sharp GP2Y1010AU0F粉尘传感器、ADXL345路面质量传感器、Neo-6M里程传感器）及既有电池监测模块（BMS）（采用LTC6811的电池电压数据采集系统和分流器电流监测模块），可连续两年采集电池参数（健康状态SoH、充电状态SoC、内部温度及内阻）。分析聚焦于SoH与内阻的变化趋势及其与环境参数、驾驶参数的关联性。研究结果表明，电池健康状态（SoH）与容量呈现渐进式衰减，同时内阻逐步增加。高温、高湿、多尘环境以及恶劣路况与这种衰减加速存在直接相关性。结论表明，热带气候条件及当地驾驶特性对电动汽车电池的老化进程具有显著影响。这些发现对于开发适应性电池管理系统（BMS）以及优化同类环境下的电动汽车性能至关重要，将有力推动非洲地区可持续交通的发展。

1. 引言

电动汽车(EV)日益普及是全球能源转型与温室燃料费减排的关键支柱。该技术为更可持续的交通提供了极具前景的解决方案(Menyhart, 2024, Kumar et al., 2024)。这些技术的核心在于锂离子电池。其性能、使用寿命及可靠性对市场接受度与扩展包至关重要(Takyi-Aninakwa et al., 2025, Wang et al., 2025, 胡等人，2025, 姚等人，2025）。然而，电池性能衰减是一个复杂且不可逆的过程，仍是当前面临的主要挑战（高等人，2025, 熊等人，2025, Li et al., 2025主要表现为有用容量衰减（健康状态SoH下降）和内阻增加，这些变化直接影响车辆续航里程与可用功率（Soyoye et al., 2025, Rodriguez-Cea et al., 2025, Gong et al., 2025, Tang et al., 2025电池老化受内因（如化学组成和结构设计）与外因（包括使用模式和环境条件）的共同影响（Qian et al., 2025).
尽管已有诸多研究对受控或温带环境下的电池退化特性进行了表征（Menye等人，2025），但对热带气候条件下的认知仍显不足（Sánchez-Montes等人，2025）。热带地区具有高温、高湿且多尘的特征，而道路基础设施可能引发额外的机械应力。现行的退化模型与电池管理系统（BMS）大多基于非热带环境条件开发（Vishwakarma等人，未注明日期, Murlidharan等(2025), Mulpuri等(2025)因此，在热带地区，寿命预测可能不准确且电动汽车性能欠佳。环境因素与运行参数间的相互作用十分复杂，故开展真实工况下的实验研究至关重要。通过实时监测电压、电流与内部温度，结合环境及行驶数据，可有效捕捉这些关联性。与Arduino兼容的经济型传感器与数据采集系统，配合车载BMS数据，能提供实用且高性价比的解决方案。
本研究旨在加深对热带环境下电动汽车电池性能退化的理解，具体通过以下途径：

•
表征实际气候和驾驶条件下健康状态(SoH)与内阻的退化特征
•
量化温度、湿度及灰尘等环境因素的影响
•
评估包括道路质量与行驶里程在内的本地驾驶条件对机械性及热力性退化的影响
•
提供实证数据和稳健相关性以改进热带气候条件下的寿命预测模型与电池管理系统。

本文其余部分的结构安排如下。2综述现有文献。3详述实验方法，包括基于Arduino的数据采集装置与电池监测系统。4展示并讨论实验结果，分析性能退化趋势及其与环境因素和驾驶行为的相关性。5探讨研究意义、局限性及未来研究方向。6本研究最后总结了其主要贡献。

2. 文献综述

锂离子电池退化机制研究是优化电动汽车(EV)使用寿命与性能的关键领域。本节综述现有研究成果，重点阐明技术进展、采用的方法论以及尚未解决的难题，尤其针对热带地区特有气候与驾驶条件的影响进行探讨。

2.1. 锂离子电池性能退化的普适机制

锂离子电池虽然因其高能量密度和长使用寿命而受到认可，但会随时间推移和使用周期增加发生渐进且不可逆的退化（Madani et al., 2025）。这种退化主要表现为有效容量衰减和内阻增加（Agubra and Fergus, 2013, Zhang and Li, nov. 2024）。关于衰老机制的综合评述，例如Etxandi-Santolaya等(2024)重点指出这些现象本质上与寄生电化学反应和机械应力相关。在关键机制中，负极表面固体电解质界面相(SEI)层的形成与生长是导致可循环锂损失和阻抗增加的主要原因。电极材料降解、集流体溶解以及电解质分解同样是不容忽视的因素。Li等(2024)研究表明这些性能衰退现象高度依赖于电极成分与外部环境条件。Zhang等人的工作研究表明，高充放电速率以及深度放电会加速锂离子电池的容量衰减并增加其内阻。这种快速退化不仅影响电池性能，还会危及安全性。这些结果凸显了对运行条件进行严格监测的重要性，以优化电池健康状态（SOH）的评估。. showed that high charge and discharge rates, as well as deep discharges, accelerate capacity loss and increase the internal resistance of lithium-ion batteries. This rapid degradation compromises not only battery performance but also safety. These results highlight the importance of rigorous monitoring of operating conditions to optimize the estimation of the state of health (SOH) of batteries.

2.2. 环境因素影响

环境条件在加速电动汽车（EV）电池退化过程中起着主要作用。温度无疑是被研究最多的因素。Chinta与Bhupathi（Chinta等人，2025 ) 针对环境温度、湿度、海拔及大气压力对锂离子电池老化的影响开展了系统性研究。他们强调温度波动会影响电化学活性，高温会加速性能衰减，而低温则会限制电荷接受能力。该研究揭示了热管理系统和自适应充电算法对缓解这些效应的重要性，并指出电动汽车需进行气候适应性优化。然而，该研究在退化机制方面较为泛化，未针对热带环境提供具体的实验表征数据，而这正是本研究所要解决的核心问题。
此外，Dewan和Kumari（Dewan等人，2024）详细分析了高低温、湿度及水分对电动汽车用锂离子电池的影响，以及空气质量等外部因素。研究证实高湿度环境会导致腐蚀与绝缘电阻下降，从而影响安全性和性能表现。尽管该研究对环境因素的考察较为全面，但未提供热带复合条件下电池性能衰退的具体实验数据，而这正是本研究的核心关注点。
实际环境条件对电动汽车能耗的影响已通过Abuqila等人（2025）量化研究通过对利比亚这一炎热气候区的案例研究，其结果表明极端天气条件（如持续高温）会显著增加辅助系统（供暖、制冷）的能耗，这可能间接加剧电池负荷并加速其性能衰减。该研究的价值在于揭示了高温环境下电动车辆运行面临的挑战，但其侧重点在于能耗分析，而非这些应力作用下电化学降解的具体机制。
最终，这篇题为《集成环境与前瞻道路信息的燃料电池公交车健康意识深度强化学习能量管理》 (的文章（Jia等，2024）)提出了一种面向燃料电池混合动力电动巴士(FCHEB)的健康意识型能源管理框架，该框架整合了环境信息与前瞻性道路数据。研究表明，环境条件(包括环境温度)对能源管理系统及电池组耐久性具有显著影响，这凸显了将此类因素纳入能源管理策略以优化系统性能及电池寿命的重要性。基于此，Jia等(2025)关于《燃料电池汽车的健康意识能量管理：车厢与能源系统集成热管理策略》的研究进一步强调了整体热管理的必要性。该研究论证了通过整合车厢与能源系统（燃料电池与电池）的热控制，可在多变环境条件下维持最佳工作温度，从而显著提升系统效率并延长关键部件的使用寿命。这种集成式热管理方法对于极端气候条件下的电动车尤为重要，因为有效管理多重热源的散热是缓解电池性能衰退的关键。
此外，文献（Afzal等，2025）) 进一步揭示了将环境因素纳入能源管理策略所面临的挑战，强调了该领域持续研究的重要性。

2.3. 驾驶条件与机械应力的影响

除环境因素外，驾驶条件和电池所受机械应力也会影响其性能退化。Abuqila等人(2025年)研究了风阻、道路坡度、滚动阻力及加速阻力在真实路况下对电动汽车能效的影响。其研究结果表明，这些因素（尤其是风阻）会显著影响能耗，进而可能加剧电池应力并导致电池退化。该研究强调需通过优化驾驶策略来提升能效，这是退化管理的关键环节。
贾等人（2024年）本研究开发了一种基于深度学习的目标电量（SoC）估计方法，整合了包括环境参数（温度、海拔）和车辆参数（速度、油门）在内的多样化数据集。尽管该研究的主要目标是估算SoC，但驾驶参数的纳入表明研究者认识到这些因素对电池行为及其潜在退化具有影响。然而，该方法并未直接表征与特定机械应力（如振动）相关的退化机制，这类应力通常与苛刻的道路基础设施有关。

2.4. 健康状态（SoH）估计与电池管理系统（BMS）

准确估算电池的健康状态（SoH）对于实现电动汽车高效安全的管理至关重要。Jia et al. (2024)通过实际驾驶数据与环境变量，验证了深度学习模型在荷电状态（SoC）估算中的优越性，其精度显著超越传统方法。这一突破具有重要意义，因为精确的SoC估算能为电池管理策略提供依据，从而减缓电池性能衰退。与此相呼应的是，Afzal et al. (2025)提出了一种基于鸡群优化算法（CSO）和长时程学习（OEL）的创新型荷电状态估算方法，旨在通过适应环境条件与用户行为来提升电池性能及使用寿命。该方法有助于实现更具动态性与鲁棒性的电池管理。
Al-Alawi等人（2025年）进一步研究了荷电状态（SoC）估算误差对电池性能衰退的影响，特别是在二次利用场景中。其基于聚类的学习模型（CBLM）相较于传统模型显著降低了电池性能衰退（容量衰减、健康状态SoH），表明精确的SoC估算与延缓性能衰退、提升经济效益存在直接关联。这些研究证实了集成精确SoH/SoC估算功能的先进电池管理系统（BMS）对延长电池寿命具有关键作用。
电池管理系统（BMS）在电池监控与保护中发挥着核心作用。Naresh与Naresh等人（2025年）提出了一种异构集成学习（HEL）框架以优化电池热管理。通过整合多种机器学习模型并利用真实驾驶数据，该系统动态调整冷却策略以维持最佳热调控状态，这对能效与安全性至关重要。虽然该研究聚焦于热管理领域，但由于有效的热管理对缓解电池性能衰退（尤其在高温环境下）具有关键作用，其成果与我们的研究直接相关。

2.5. 实际研究现状与技术缺口

尽管大量实验室研究已阐明降解机制，但真实世界数据的重要性正日益受到重视。由Abuqila等人(2025年)在高温环境利比亚开展的案例研究表明，真实气候与运行条件对电动汽车能耗具有显著影响。该研究强调，当前的降解模型与电池管理系统策略并未针对此类特定环境进行充分验证或优化，可能导致寿命预测失准及电动汽车性能欠佳。
尽管取得了这些进展，现有文献仍存在显著的技术空白。绝大多数关于电动汽车电池衰减的研究集中于温带气候或受控实验室条件。针对热带环境下的电池衰减，现有研究严重缺乏实证数据和深入分析——该地区具有持续高温、高相对湿度、显著粉尘量以及严苛道路基础设施等特征。Chinta与Bhupathi以及Dewan与Kumari的研究虽强调了气候适应性需求及粉尘湿度的影响，但未能提供本研究旨在收集的热带专属实验数据。热带环境中多重环境因素（高温、湿度、粉尘）与驾驶约束条件（振动、冲击）的协同作用机制尚未得到充分认知。在这些地区收集实时、多参数、长期数据至关重要，以便为电动出行制定恰当可靠的解决方案，这充分证明了我们研究采用实验方法的合理性。该研究题为《热带环境下电动汽车电池性能退化的实验表征：气候因素与本地驾驶条件的影响》。

3. 实验方法学

本节详细描述了车载实验装置的设计与实现、电池数据采集系统以及为本研究建立的数据收集协议。主要目标在于表征热带气候实际工况下电动汽车（EV）电池的退化特性，量化环境因素与驾驶约束条件的影响。图1本文概述了完整的实验框架，阐释了数据采集模块、数据处理流程与后续分析阶段之间的交互关系。该图解总结了方法学结构，并重点展示了环境参数、驾驶参数与电池参数如何被采集、处理及分析以评估电池退化。

3.1. 理论背景与建模

热带环境下电动汽车电池衰退研究建立在深入理解老化现象原理与表征方法的基础之上。电池健康状态(SoH)作为衡量其剩余容量相对初始标称容量的基本指标，主要通过库仑计数法测定——该方法通过对充放电电流随时间积分来估算电池实际容量(Q）。然后，根据以下公式将SoH表示为百分比：_actual(1)SoH=(Qactual/Qnominal)*100%其中Qnominal表示电池初始标称容量。电池内阻的增加是其性能衰退的另一关键指标，可通过施加脉冲充放电电流时应用欧姆定律或电化学阻抗分析法计算得出。内阻值可根据电流变化量(ΔI)引发的电压降落(ΔV)进行估算：(2)Rint=ΔV/ΔI
温度对降解的影响是一个关键因素，通常通过阿伦尼乌斯定律建模，该定律假设化学反应速度随温度呈指数增长。这一原则对于理解老化机制的加速至关重要，例如在具有高环境温度特征的热带环境中固体电解质界面（SEI）层的形成和电解质分解。
关于振动和道路冲击的影响，需处理加速度数据以量化传递至电池组的振动能量。机械应力的严重程度通过时域分析评估，特别是通过计算加速度的均方根（RMS）值。对于离散化的加速度信号ai在N个样本上，RMS加速度由下式给出：(3)aRMS=1N*∑ai2其中SQRT表示平方根运算，SUM表示各加速度平方之和ai在N个样本上进行。此外，采用功率谱密度（PSD）的频域分析方法用于识别车辆所承受振动的主频，从而提供机械应力更精细的表征。这些分析可建立电池内部组件潜在物理退化与所遇道路状况之间的关联性。尽管已建立PSD分析能力，但特定振动频率与内阻变化之间的详细呈现和直接关联被认为超出本次初步表征研究的直接范畴，这些内容被列为未来更深入机械退化研究的重点方向。

3.2. 测试车辆与数据集的描述

本研究采用一款代表撒哈拉以南非洲地区可能推广的小型城市电动汽车（日产Leaf）的都市车型电动汽车(EV)作为测试对象。该车辆配备额定容量为24千瓦时、标称电压为360伏的镍锰钴(NMC)锂离子电池组。电池组由制造商配置的多个串联与并联模块组成。电动汽车在喀麦隆典型的城乡混合交通条件下每日运行，确保采集数据能真实反映当地驾驶特征。车辆及其原始电池管理系统（BMS）保持未改装状态，以确保运行条件的真实性。所得数据集独特地表征了热带环境压力下电动汽车电池的性能表现，填补了发展中地区电动汽车实际运行文献的重要空白。需特别说明的是，该车辆原始BMS很可能采用了被动或主动电芯均衡机制。虽然本实验设置无法直接获取BMS内部均衡策略及其运行数据，但此类功能将有助于维持电池组内单体电压的一致性。这种一致性对于防止单体电池过充或过放至关重要，从而缓解因电芯不均衡导致的加速衰减问题，并有助于在整个研究期间延长电池组整体寿命并保障其安全性。

3.3. 数据采集

车载数据采集系统经过精心设计，可同步获取电池关键参数、环境工况及车辆行驶数据。
定制化数据采集单元的核心部件采用Arduino Mega 2560微控制器。选择该平台作为中央处理单元需简要说明，特别是在先进电池研究背景下。需指出的是，尖端电池管理系统（BMS）和实时算法开发通常采用性能更强的处理器（如ARM Cortex-M内核系列STM32、NXP Kinetis）或数字信号处理器（DSP），这些工业级标准器件专为计算密集型任务而设计。然而，本研究的主要目标并非开发高性能电池管理系统（BMS）或复杂的嵌入式实时算法，而是聚焦于真实热带工况下电池衰减特性的鲁棒性长期实验表征，特别强调可靠且连续的数据采集。如引言所述，本工作的核心贡献在于通过经济可行的研究方法，整合与Arduino等平台兼容的低成本传感器和数据采集系统，并与现有车载BMS数据形成协同，首次提供了撒哈拉以南非洲地区真实运行环境下的独特实证数据。
在此类部署场景中，成本效益、部署便捷性、可维护性以及系统应对环境挑战的鲁棒性等因素至关重要。Arduino Mega凭借其充足的I/O引脚数量、广泛的社区支持以及经过验证的能力——能够管理我们特定参数所需的采样率和数据记录——被证明是实现长期数据采集目标的务实且合适的平台。该系统专为数据采集而设计，复杂分析（回归、相关性）均在采集到的数据集上离线进行。这种方法避免了对更高级平台实时处理能力的需求，使我们能够部署一种可靠且经济高效的监测方案，该方案完全适配我们实地研究的特定需求和限制条件。
已集成以下传感器：
采用DHT22传感器（数字接口）测量空气温度与相对湿度。该传感器安装于通风防护罩内，避免阳光直射，同时暴露于环境空气中以确保测量结果能代表室外条件。为检测空气中颗粒物浓度，配置了Sharp GP2Y1010AU0F光学粉尘传感器（模拟输出），其安装位置可有效捕捉粉尘浓度数据，这一指标在未铺装道路常见环境中尤为重要。传感器输出电压Vout与粉尘浓度存在关联性Cdust其关系经校准后通常可用线性或多项式函数近似表达： %%(4)Cdust=k1*Vout+k0其中k1为实验确定的校准系数。三轴ADXL345加速度计（I2C接口）被牢固安装在车辆底盘靠近电池组的位置，用于记录三轴（X、Y、Z）加速度数据以量化道路粗糙度。此外，配备UART接口的Neo-6M GPS模块安装于开阔区域以确保最佳卫星信号接收，从而实现里程追踪与地理坐标记录功能。k0 are calibration coefficients determined experimentally. A triaxial ADXL345 accelerometer (I2C interface) is securely mounted on the vehicle chassis, close to the battery pack, to record accelerations on the three axes (X, Y, Z) and quantify the roughness of road conditions. Finally, a Neo-6M GPS module (UART interface) is installed with a clear view of the sky for optimal satellite signal reception, allowing mileage to be tracked and geographical coordinates to be recorded.
针对电池监测功能，该系统与车辆现有电池管理系统（BMS）交互以获取总电压、总电流和平均温度等可用数据。此外，为满足成本效益要求，专门开发了用于精细化单体电池监测的数据采集模块。该模块聚焦关键电池参数：采用多通道电压监测集成电路（如LTC6811或性能相当的替代型号）实现电池组内各单体电池电压的高精度测量。这些电路通过隔离式SPI接口与Arduino通信。充放电电流采用串联在电池组中的精密分流器进行测量，其压降由高精度电流放大器（如采用I2C接口的INA219）或连接至Arduino的高分辨率模数转换器（ADC）进行测量。最后，NTC热敏电阻被策略性地布置在电池组的不同电芯上，以监测各电芯的独立温度。根据Steinhart-Hart关系式，NTC热敏电阻的阻值随温度变化，该关系式可简化为温度转换公式：(5)T=1((1/T0)+(1/B)*ln(R/R0))−273.15其中T为摄氏温度，R为热敏电阻在温度T下的阻值，R0为温度T0（单位为开尔文）下的标称阻值，B为热敏电阻的校对系数，ln表示自然对数。
所有采集数据均通过SD卡模块（SPI接口）进行时间戳标记并存储至MicroSD卡，实现本地存储。表1汇总了传感器与接口的关键技术参数

表1. 传感器与机载数据采集模块的技术参数与接口规范

组件	接口类型	Arduino Mega 引脚	备注
传感器DHT22	数字式	VCC: 5 V GND: GND 数据: 数字引脚2	需在Data引脚与VCC之间接入4.7kΩ至10kΩ的上拉电阻。
粉尘传感器 Sharp GP2Y1010AU0F	模拟	VCC：5V GND：GND V_out：模拟引脚A0	将V_out连接至任意可用的模拟输入引脚
三轴加速度计ADXL345	I2C	VCC：5V或3.3V GND：GND SDA：数字引脚20 SCL：数字引脚21	I2C总线的上拉电阻通常集成于模块或Arduino开发板中。需确保ADXL345模块的电压与Arduino的5V逻辑电平兼容。
GPS Neo-6M模块	UART	VCC：5V GND：GND TX（GPS发送端）：数字引脚19（RX1 - Serial1） RX（GPS接收端）：数字引脚18（TX1 - Serial1）	强烈建议采用硬件串口（Serial1、Serial2或Serial3）实现可靠GPS通信，此举可释放主串口用于调试/上传。其他可选方案：Serial2（17/16引脚上的RX2/TX2）、Serial3（15/14引脚上的RX3/TX3）。
多性向电池电压监测集成电路 (LTC6811)	SPI	VCC/GND: 适当电源（3.3V或5V） MOSI: 数字引脚51 MISO: 数字引脚50 SCK: 数字引脚52 SS（从机选择）: 数字引脚48（示例）	与LTC6811等高压电池监测集成电路进行SPI通信时，通常需要采用光耦或数字隔离技术以确保安全性和鲁棒性。每个SPI从机设备需配置独立的主机选择（SS）引脚。
电流测量模块（如INA219）	I2C	VCC/GND：适当电源供应 SDA：数字引脚20 SCL：数字引脚21	INA219与ADXL345共享相同的I2C总线。若使用模拟输出的外部ADC，则应连接至模拟输入引脚。对于SPI/I2C型ADC，需按照其他SPI/I2C设备的说明使用专用引脚。
NTC热敏电阻（单体电池温度监测）	模拟	VCC：5 V（通过固定电阻）GND：GND（通过热敏电阻）分压器输出：模拟引脚A1-A7	每个NTC热敏电阻需配置分压电路（热敏电阻与固定电阻串联），将电阻变化转换为可测量的电压变化，供Arduino模拟输入使用。
MicroSD卡模块	SPI	VCC：5 V GND：GND MOSI：数字引脚51 MISO：数字引脚50 SCK：数字引脚52 CS（片选）：数字引脚49（示例）

3.3.1. 传感器校准与验证流程

为确保测量数据的可靠性与可重复性，所有传感器在实地部署前均需完成初步校准与验证程序。各类传感器或采用标准实验室程序通过基准仪器进行校准，或依据制造商技术规范进行验证，具体步骤如下：

•
温湿度传感器（DHT22）：制造商已对DHT22传感器完成出厂校准，本研究采用精度达±0.5°C、±2%RH的气候箱进行验证。在20°C至45°C温度区间及40%至90%相对湿度范围内选取五个基准点进行数据比对。当偏差超出制造商容差范围时，应用线性校正因子（偏差<2%）进行修正。
•
粉尘浓度（Sharp GP2Y1010AU0F）：
•
校准工作采用参考光学粒子计数器（TSI DustTrak II 8530）完成。在密闭腔体内使用标准测试粉尘（ISO 12103-1，A2细颗粒）生成多个已知粉尘浓度（0.1–2.0 mg/m³）。通过将传感器输出电压Vout与实测浓度进行最小二乘回归拟合，得出校准系数k0为实验确定的校准系数。三轴ADXL345加速度计（I2C接口）被牢固安装在车辆底盘靠近电池组的位置，用于记录三轴（X、Y、Z）加速度数据以量化道路粗糙度。此外，配备UART接口的Neo-6M GPS模块安装于开阔区域以确保最佳卫星信号接收，从而实现里程追踪与地理坐标记录功能。k1如式（4）所示。每次测试周期结束后均进行定期校验以监测传感器漂移现象。
•
加速度计（ADXL345）：将加速度计归零后，与振动台上并联安装的实验室级三轴加速度计（PCB Piezotronics 356A32）进行比对验证。在受控正弦激励（2-50 Hz）条件下比较加速度均方根值，最大偏差低于3%。
•
定位与速度（Neo-6M GPS模块）：该GPS模块通过静态与动态测试完成验证。静态模式下，坐标数据与差分GPS参考基准（±( )米）进行比对。行驶测试期间，速度读数与车载OBD数据进行交叉验证。观测到平均定位误差为2.3米，速度偏差低于2%。Menyhart, 2024所有传感器在校准后均接入数据采集系统，并在受控实验台架中测试整体系统，以验证信号完整性、同步性及数据记录可靠性。每次实地测试前，均在全系统通电状态下进行空载偏移量与噪声水平检测。
•
电压与电流测量模块（LTC6811、INA219、分流器）：电压监测电路（LTC6811）各通道采用精密电压源（0-5 V，±0.01%）进行校准。电流测量链路（分流器+INA219）通过可编程直流负载（0-100 A量程）校准，建立偏移误差与增益误差的线性校正因子。最终精度达到电压±0.5%、电流±1%。
•
电池温度传感器（NTC热敏电阻）：每个NTC热敏电阻均通过浸入25°C至60°C恒温油浴进行单独表征。电阻-温度关系采用简化Steinhart-Hart方程（公式5）拟合，获得传感器特异性β系数。该步骤将热测量不确定度降低至±0.3°C。

All sensors were integrated into the DAQ system after calibration, and the overall system was tested in a controlled bench setup to verify signal integrity, synchronization, and data logging reliability. Before each field test, the entire system was powered and checked for offset and noise levels under no-load conditions.

3.4. 数据处理

机载系统采集的原始数据需经过多步严格处理流程，以提取有效信息并为分析环节做准备。传感器信号（电压、电流、温度、加速度）首先通过移动平均等数字滤波器进行预处理，以降低现实环境中固有的噪声与测量伪影。
随后对每个参数执行特征提取。在时域分析中，针对温度、湿度、电流及电压等参数，按设定时间区间计算平均值、最小值、最大值和标准差等统计量。健康状态(SoH)评估通过追踪电池可用容量的演变实现，具体方法是对完整循环周期内的放电电流进行积分（库仑计数法），再与初始标称容量进行对比。用于SoH评估的库仑计数算法涉及电流随时间变化的连续积分（Q_actual=∫0TI(t)dt）。初始标称容量（Q_nominal) 的基准值是根据制造商提供的新电池规格确定的。为减轻两年实验周期内电流传感器的漂移和偏移误差，采取了以下策略：1) 选用具有高精度和低漂移特性的INA219电流传感器；2) 在车辆定期维护期间（每6个月）通过获取电池静置状态（无充放电）时的读数进行周期性零电流偏移校准；3) 定期以开路电压(OCV)与荷电状态(SoC)关系曲线为基准对累计容量(Q_actual) 进行重新校准——该曲线可提供基于电压的独立SoC估算值。此类重新校准在完整充放电循环后进行，可修正库仑计数积分中的累计误差。这种混合方法确保了电池实际容量的长期稳健精确追踪。SoH(%)=(Q_actual/Q_nominal)×100
内阻通过观测预定义电流脉冲后的电压Drop（直流电阻法）进行周期性计算。具体而言，针对运行数据应用的直流电阻法，我们识别出准稳态充放电事件（例如持续加速或再生制动阶段）。在这些事件中，通过短暂稳定的间隔测量电压Drop（ΔV）及相应电流变化（ΔI）。为确保准确性，原始电压和电流信号首先经过数字滤波器（如移动平均）处理，以降低高频噪声和瞬态干扰。随后计算聚焦于这些电流脉冲的稳定段，其中ΔV和ΔI的确定基于开路电压（或脉冲前的稳定电压点）与负载下电压的差值，以及相应的电流变化量。该方法有助于最小化感应效应和快速瞬态响应的影响，从而提供更具代表性的电池欧姆电阻和电荷转移电阻测量结果。
采用简单的能量吞吐量法计算"每日等效循环"。该方法首先汇总每日充放电电流的绝对值（以安培小时Ah计），然后将该总和除以电池组标称容量的两倍（以Ah计）。这一过程实质上是将每日能量吞吐量归一化为等效的完整充放电循环次数，从而为每日循环应力提供可量化指标。
对加速度计数据进行分析以量化电池组所承受的振动强度。通过计算滑动窗口内加速度的均方根值来评估振动烈度，同时应用快速傅里叶变换（FFT）频谱分析以识别振动的主频。根据制造商提供的校准曲线，将粉尘传感器的模拟读数转换为粉尘浓度值（单位为mg/m3）。最后，通过计算连续地理坐标点之间的间距，从GPS数据中推导出行驶里程。所有经过处理的这些数据随后被输入至经验或半经验退化模型，从而建立环境及驾驶因素与健康状态（SoH）和内阻变化之间的关联关系。

3.5. 数据采集

数据采集工作持续进行了两年，这一周期旨在完整记录喀麦隆地区典型驾驶循环和季节性变化下电池性能的长期退化轨迹。测试车辆由固定驾驶员日常通勤使用（如家-工作单位往返、购物等），从而确保使用场景的代表性。行驶路线涵盖多种路况，包括状况良好的铺装道路、破损铺装道路以及未铺装土路，全面反映了当地路网的多样性。速度曲线同样呈现多样性，既包含频繁启停的城市道路驾驶，也涉及速度更稳定的高速公路行驶。
所有传感器（环境传感器、驾驶传感器与电池传感器）的数据均以10秒为采样频率。该频率被证实能在捕获显著参数波动与管控数据文件体积之间实现最优平衡。%%电池组根据驾驶者需求进行充电，主要通过家用标准插座（慢速交流充电）完成，这反映了电动车用户的普遍使用模式。系统同时记录充电数据。在数据回收期间会定期检查实验装置（连接状态、传感器工况），以确保设备正常运行及研究全程测量工作的连续性。

3.6. 数据分析

数据分析旨在识别电池退化趋势，并与环境和驾驶因素建立稳健的关联性。首先对所有采集参数（温度、湿度、粉尘浓度、振动水平、电压、电流、SoH、内阻）进行描述性统计（均值、标准差、最小值、最大值、中位数）计算，从而表征运行工况和电池参数的整体演变趋势。
随后绘制SoH（健康状态）和内阻随时间与里程的演变曲线，以可视化电池衰退趋势。采用回归曲线对这些趋势进行建模，为老化过程提供数学表征。通过计算皮尔逊相关系数等指标，量化电池衰退参数（SoH、内阻）与环境因素（温度、湿度、粉尘）及驾驶因素（振动水平、里程）之间线性关系的强度与方向。
为评估多种因素对电池性能衰退的综合影响，本研究开发了多元线性与非线性回归模型，藉此确定各自变量的相对贡献度。尽管研究对象为单一车辆，仍可通过适当统计检验（如Student t检验）对数据片段（例如高温天气与低温天气、崎岖道路与平坦道路行驶工况）开展对比分析。采用t检验或方差分析（ANOVA）评估这些变异的显著性影响。最后，时间序列图、散点图、直方图和热力图等数据可视化工具被广泛用于促进结果解读与研究发现交流。-tests or Analysis of Variance (ANOVA), to assess the significant impact of these variations. Finally, data visualization tools such as time series graphs, scatter plots, histograms, and heat maps are widely used to facilitate the interpretation of results and the communication of findings.
图2本研究开发的方法学架构提供了全面综合，展示了从车载数据采集（涵盖环境、动态和电气参数）到数据处理及电池健康指标提取的完整工作流程。该示意图清晰地呈现了用于表征实际运行条件下电池性能衰退的操作序列，突出了传感模块、预处理步骤与分析程序之间的协调集成。基于这一结构化方法，下一章节将展示并讨论主要研究结果，包括健康状态（SoH）的演变规律、内阻变化趋势，以及环境与驾驶因素对电池衰退的影响机制。

4. 结果

4.1. 描述性统计

对收集数据的分析旨在识别电池性能衰减趋势，并建立与热带地区特有环境及驾驶因素间的稳健关联。该方法揭示了实际工况下电池老化的内在机理。
数据分析首先对研究期间电池的运行工况和全年龄状态进行表征。表2展示了所采集的全部环境参数、行驶参数与电池参数的描述性统计量（均值、标准差、最小值、最大值、中位数）。这些统计量为实验中观测到的参数变化范围及典型值提供了初步概览。

表2. 关键研究参数的描述性统计

空白单元格	空白单元格	计数	均值	标准差	最小	25 %	50 %	75 %	最大
环境温度	°C	105264	32.50	4.32	25.0	28.77	32.49	36.23	39.99
环境湿度	%	105264	77.49	10.08	60.0	68.75	77.50	86.19	94.99
粉尘浓度	mg_m³	105264	0.26	0.157	0.0105	0.13	0.26	0.38	0.999
加速度均方根幅值	g	105264	0.160	0.533	0.0177	0.047	0.05	0.063	4.211
GPS_速度_	km/h	105264	1.58	9.048	0.0	0.0	0.0	0.0	79.88
累计行驶里程_	公里	105264	14144.44	8372.84	0.0	7036.72	14175.88	21246.29	27844.315
电池组电压_	V	105264	378.32	0.994	371.609	377.70	378.13	378.94	385.36
电池组电流_	A	105264	0.016	12.116	-99.87	0.0	0.0	0.0	99.99
电池组温度	°C	105264	35.22	4.714	25.04	31.38	35.20	38.97	54.076
电池荷电状态	%	105264	78.32	0.732	76.93	77.72	78.13	78.87	80.41
电池健康状态	%	105264	97.001	1.82	93.064	95.49	96.99	98.49	100.98
电池内阻电阻	Ohm	105264	0.0549	0.0029	0.049	0.052	0.054	0.0578	0.0605

表2中呈现的描述性统计Table 2提供了对电动汽车在两年实验期间运行条件和电池状态的初步特征描述。
在环境条件方面，环境温度在25.00°C至40.00°C之间显著变化，平均值为32.50°C，标准差为4.32°C。这些数值证实了典型的热带气候特征，表现为高温和显著的日间波动。环境湿度平均值为77.50%，变化范围为60.00%至95.00%，同样符合潮湿热带环境的特点。粉尘浓度平均为0.27mg/m³，峰值达到1.00mg/m³，表明空气中存在显著颗粒物，在未铺装或尘土飞扬的道路上行驶时可能加剧，这一环境因素与车辆系统完整性密切相关。
在驱动参数方面，平均GPS速度极低（1.59公里/小时），标准差较大（9.05公里/小时），中位数为0公里/小时。这表明车辆大部分时间处于静止状态（停放或充电），这符合以停车时间为主的典型城市用车特征。记录的最高时速79.88公里/小时与城市及城际限速规定相符。两年累计行驶里程达27,844公里，属于中等但具有显著意义的使用强度。平均RMS加速度幅值为0.16g，但标准差较大（0.53g），峰值最高可达4.21g。这种宽幅波动和极高最大值表明道路条件有时较为恶劣，存在剧烈冲击与振动，这对研究道路基础设施对电池的影响具有重要参考价值。
电池参数展现出有趣的动态特性。电池组电压表现出显著波动，动态变化范围介于371.61V至385.37V之间，平均值为378.33V。这种宽幅波动虽保持在360V标称电压组的典型工作限值内，却凸显出电池所经历的持续变化的电气工况。电池组电流平均接近零值（0.02A），但波动范围较宽（-99.87A放电至99.99A充电），表明存在剧烈的充放电循环，这具有车辆使用的典型特征。电池组平均温度为35.22°C，略高于环境平均温度，此现象符合电池运行产热的预期。54.08°C的最高温度值则表明电池组存在承受显著热应力的工况时段。
关于退化指标，电池的健康状态（SoH）从接近100%的初始值（由于实验初期的噪声干扰，记录到的最大值为100.99%）在研究期间逐渐下降至最低值93.06%，平均值为97.00%。这种SoH的逐步下降是电池在两年使用过程中性能退化的直接证据。与此同时，电池组的内阻从最小值0.0495欧姆（接近初始值0.05欧姆）上升至最大值0.0606欧姆，平均值为0.0550欧姆。内阻的上升是电池老化及其高效充放电能力衰退的关键指标。
需注意的是，电池荷电状态（SoC）呈现相对狭窄的波动范围，介于76.94%至80.42%之间，平均值为78.33%。这种SoC的低波动性可能表明车辆存在频繁补电的使用模式，避免进入深度放电状态。
这些描述性统计为深入分析退化趋势及影响因素奠定了基础。

4.2. 电池退化趋势

主要电池退化指标（即健康状态(SoH)、剩余容量和内阻）随时间变化的演化曲线被绘制出来。图3展示了两年研究期间SoH和容量的逐渐下降，以及内阻的增加。

图中所示曲线表明图 3揭示出在两年实验周期内电池性能呈现明显劣化趋势。
SoH（健康状态）图3a）持续下降，从初始值100.0%降至研究周期结束时的约99.6%。两年间0.4%的SoH损失对应年均0.2%的衰减率。与此同时，剩余容量（图3b）从60.00 kWh降至约59.75 kWh，直接反映了SoH的衰减。与此同时，内阻图3.c) 呈现总体上升趋势，起始值为20.0毫欧，周期结束时平均达到约24毫欧，峰值波动可达27-28毫欧。这种增长是电池内部老化的关键指标。将该退化与使用情况关联分析，基于总累积里程约27,844公里及周期内约120次等效循环，SoH（健康状态）每行驶1000公里下降约0.021%，每100次等效循环下降约0.33%。

4.2.1. 趋势模式

健康状态（SoH）与剩余容量的变化（图2图a和2.b）在本研究期间呈现相对线性趋势。这种线性特征表明，在实验条件下，电池性能的退化以相对恒定的速率发生。相比之下，内阻（图2c)总体呈现上升趋势，但存在显著的日间波动。这些波动可归因于运行条件（内部温度、充放电电流）的动态变化对内阻的影响，以及老化导致的不可逆组分。必须明确区分这两类组分：总体上升趋势反映由永久性退化机制（例如固体电解质界面(SEI)膜生长和活性物质损耗等不可逆老化机制主导长期容量衰减，而叠加的日循环波动则主要具有可逆性——这主要由电池内部温度与荷电状态(SoC)变化驱动，这些因素会暂时性影响离子电导率与电荷转移动力学。

4.2.2. Comparison of Time vs. Mileage/Cycles

在本实验中，日历衰减（主要与暴露于热带气候严酷环境条件的时间相关）似乎是主导因素。%%随后的相关性分析将使我们能够更准确地量化各因素对观测到的整体性能衰减的相对贡献。%%时间与行驶里程/循环次数的对比

4.3. 环境与运行因素分析

为理解电池运行条件，我们分析了环境因素与关键运行参数随时间的变化情况。图3展示温度（环境温度与电池包内部温度）、湿度及粉尘浓度的变化趋势。图3详细记录电池包荷电状态（SoC）、平均电压与平均电流的变化。
图4, 图5详细阐述实验性电动车辆的环境条件与使用特征，这些是理解电池衰减的关键因素。

图4环境因子的时序变化趋势。本图展示了影响电池运行的外部环境条件的长期演变过程。各主子图呈现了2023年1月至2024年10月的完整时间序列数据，其中蓝色阴影区域标定了具有科学代表性或关键性的特定30天时段。该时段在相邻的内插图中被放大显示，以便更深入地考察其日尺度变化特征。
(a) 环境温度（°C）：展示每日环境温度波动。插图(a′)为选定30天周期提供放大视图，揭示短期温度动态变化。
(b) 环境湿度（%）：显示每日环境湿度水平。插图(b′)详细呈现标定时间段内的湿度变化情况。
(c) 粉尘浓度（µg/m³）：反映大气粉尘含量。插图(c′)对关键30天窗口期内的粉尘浓度变化进行精细化展示。
图5：电池关键运行参数的时间趋势。本图具体展示了2023年1月至2024年10月期间电池核心参数的长期变化趋势。与图4类似，每个主子图中均以蓝色阴影区域标注特定30天时段，该时段细节将在对应插图中详细呈现。
(a) 日终荷电状态（SoC，%）：展示日终荷电状态的趋势变化，呈现显著的日波动范围（接近0%至100%），表明频繁且多样的充放电循环。主图中蓝色阴影区域突显出日间SoC剧烈波动的时段，该现象在子图(a′)中被放大显示，证实了车辆活跃使用与规律充电模式。(b) 平均电压（V）：反映日平均电压趋势，其波动范围约为50V至380V，整体与SoC变化趋势高度吻合。主图上的蓝色阴影区域表示插图(b′)中详述的时段，该插图进一步展示了这些每日电压波动，反映出电池的动态功率需求。(c) 平均电流(A)：显示每日从电池提取或供给电池的平均电流。主图中的蓝色阴影区域对应于插图(c′)中放大的时段，揭示了短期电流特征。(d) 电池内部温度(°C)：呈现电池内部温度变化趋势。蓝色阴影区域突出显示了插图(d′)中详述的关键时段，便于更细致地考察内部温度在较短关键时期内的波动情况。

4.3.1. 环境变异性

图3.a) 显示日间环境温度在24°C至33°C之间波动，平均约为28°C，具有典型热带气候特征。季节性变化明显，存在阶段性小幅升温现象。环境湿度(图4.b) 持续保持高位，多数时段介于75%至84%之间，反映出该地区固有的高湿特性。粉尘水平(图5.c)也表现出显著的日波动，范围在30微克/立方米至70微克/立方米之间，表明空气中存在颗粒物浓度较高的时段。这些环境条件，尤其是高温和持续湿度，已知会加速电池老化机制。

4.3.2. 电池内部温度

电池内部温度(图5d) 遵循环境温度总体趋势，但呈现更高峰值，有时可达55°C。这种温升与车辆活动（特别是行驶和充电事件）直接相关。放电与充电阶段散发的能量，加上灰尘积聚导致的冷却效率下降，共同促使电池组温度超过环境水平。内部温度过高是电池热应力的主要诱因，会加速降解反应的发生。研究还观察到，电池内部温度相对于环境温度的快速变化表现出热滞后现象，这表明电池组及其外壳具有热惯性。虽然本研究未通过具体时间常数对该滞后进行定量测定，但这一现象意味着电池内部温度响应相较于瞬时环境波动呈现阻尼和延迟特性；不过持续的高环境温度仍不可避免地导致内部温度升高。

4.3.3. 使用工况

通过对SoC（荷电状态）、电压及电流的使用曲线分析（图5），揭示出动态的车辆使用特征。每日终止时的SoC（图5.a）呈现大幅波动，频繁掉落至40%以下并在充电事件后回升。这种波动性表明电池经常经历显著的放电深度（DoD），这是导致循环退化的已知因素。电池组平均电压图5.b)直接反映了荷电状态(SoC)的变化，随放电过程下降而随充电过程上升。平均电流(图5.c)显示出显著的正值(充电)和负值(放电)，证实了车辆的活跃使用伴随着频繁且有时剧烈的充放电循环。这种使用模式与环境条件相结合，对电池造成了显著压力，加速了其性能衰退。

4.4. 退化参数与影响因素的相关性分析

为了更好地理解电池退化指标、环境因素和使用参数之间的相互依存关系，我们进行了Pearson相关分析。表3（可视化呈现如图6所示）展示了所有研究变量之间的相关矩阵。图7图8通过散点图以图形方式补充说明了其中部分关联关系。

表3. 关键参数的皮尔逊相关系数矩阵

空白单元格	SoH (%)	剩余容量（kWh）	内阻（毫欧）	环境温度（℃）	环境湿度（%）	粉尘浓度（µg/m³）	日行驶里程（公里）
SoH (%)	1	1	0.17	0.25	0.035	0.005	-0.016
剩余容量（kWh）	1	1	0.17	0.25	0.035	0.005	-0.016
内阻（毫欧）	0.17	0.174	1	0.769	-0.082	0.064	0.183
环境温度（℃）	0.25	0.25	0.769	1	-0.054	0.017	-0.00047
环境湿度（%）	0.035	0.035	-0.08	-0.054	1	-0.028	-0.044
粉尘浓度（µg/m³）	0.005	0.005	0.064	0.017	-0.028	1	0.0078
日行驶里程（公里）	-0.016	-0.016	0.18	-0.00047	-0.044	0.007	1

4.5. 退化参数与影响因素间的相关性

相关性分析揭示了各变量间的统计关系，有助于确定在我们热带地区实验中，对SoH和内阻最具影响力的因素。
如预期所示，SoH与"循环累积次数"呈现极强的负相关性（相关系数为-1.00）。图8），证实循环使用是容量衰减的主要驱动因素。根据定义，"剩余容量"与健康状态（SoH）呈完全正相关（相关系数1.00）。环境因素方面，健康状态与"环境温度"（0.27）及"电池内部温度"（0.21）呈现弱至中度正相关性。尽管这些系数看似较小，但必须强调这些高温环境是热带地区的主要环境胁迫因素。其对日历老化衰退的影响具有可观测性，且对健康状态衰减的贡献可量化。持续高温会加速老化化学反应，对观测到的性能衰退具有显著促进作用。

"内阻"与"日放电深度(%)"(0.95)和"电池内部温度(°C)"(0.83)呈现极强的正相关性。这些结果证实深度放电和较高的内部温度是导致电池内阻增加的主要因素。同时观察到与环境温度(0.78)也存在显著正相关，这与环境温度特别是炎热环境下对电池组内部温度的直接影响相一致。这种相互依存关系凸显了环境热条件对电池内部健康状态的重要性。需特别指出的是，与温度（包括环境温度和内部温度）的高度相关性主要反映的是内阻的可逆组分——通常情况下，温度升高会因电解液导电性和反应动力学改善而导致电阻降低。然而，从长期观察来看（如实验数据所示），内阻整体呈现上升趋势，这表明...图3.c)表征不可逆退化现象，持续高温会加速该过程。
散点图显示了图8SoH与多种环境因素之间的关联关系。图7(a)展示了SoH随"电池内部温度"变化的分布情况，虽然数据点离散度较高（线性相关系数为0.21），但仍不可忽视温度对电池的物理影响。实测内部温度范围（24°C至38°C，偶有更高峰值）表明电池持续承受热应力，这种热应力会导致电池性能衰减，尽管在此观测期间温度对SoH的影响并非完全呈线性关系。同理，图7(b),7图7(c)和7(d)展示了SoH与环境湿度、粉尘等级及道路质量的关系，其弥散的点状分布证实了微弱至近乎为零的线性相关性。但需重点考虑的是，这些热带环境特有的因素会对电池衰退产生累积性且可能非线性的影响。例如高湿度可能加速腐蚀或其他长期衰退机制，而粉尘则会影响冷却系统，间接加剧热应力。尽管在本实验周期内，这些因素未表现出与SoH的显著直接线性关联，但其影响仍不可忽视，并共同导致电池的整体老化。相比之下，图7(a) 直观展示了"内阻"与"电池内部温度"之间显著的非线性(指数型)关系，强化了0.83相关系数的重要性，同时印证了热管理控制的关键作用。
本实验中，环境湿度、粉尘浓度、道路质量、日行驶里程、日放电深度(针对SoH)、平均电压及平均电流等特定因素与电池健康状态(SoH)仅呈现极弱或可忽略的线性相关性。这表明它们对电池性能衰退的影响可能更为复杂，表现为非线性关系或与其他因素的协同作用。例如，湿度与粉尘虽与SoH线性相关性微弱，但可能通过特定机制(如腐蚀、污垢沉积)加速电池衰退——这些机制无法通过简单的皮尔逊相关性分析捕捉。在热带环境的整体电池老化过程中，其贡献虽在线性模型中不占主导地位，但仍存在且可量化。

4.6. 关键参数分布

通过直方图分析了主要环境参数、驾驶参数及电池参数的分布情况(图9)。这些分布揭示了各参数不同数值的出现频率，有助于理解主导的运行状态。

4.6.1. 频数分布分析

频数分布分析提供了电池在实验过程中所处条件及其状态的统计概况。
环境温度分布(图9a)近似正态分布，中心值位于28–29°C区间，大部分观测数据集中在26°C至31°C范围内，证实了热带高温环境的特征。电池内部温度(图9b)同样呈现准正态分布，但整体向更高温区偏移，峰值出现在30–31°C附近，尾部延伸至36–37°C，体现了电池组内部发热现象。环境湿度(图9.c) 呈现相对较宽且略呈双峰型的分布，在76–78%和82–84%附近出现高频值，凸显了极端潮湿条件的持续性。而粉尘水平(图9.d) 的分布更为分散且具有多个众数，表明粉尘浓度存在显著波动，尤其在频繁出现高浓度值的时段（约30–35 µg/m³与60–65 µg/m³区间）更为明显。道路质量(图9.e) 在各分类区间内分布相对均匀，表明该车辆曾在不同路况（从良好（1级）到恶劣（5级））下行驶。每日放电深度（图9.f) 呈现不对称分布，峰值集中在10–15%区间，但可延伸至25%，反映出该电池频繁经历中度放电。

4.6.2. 健康状态与内阻的分布特征

健康状态(SoH)的分布(图9.g)呈现初始集中于100%的态势，随后逐渐衰减形成向低值区延伸的"尾迹"，最低降至约99.6%。这种非对称形态是性能退化的典型表现，其中多数数据点集中于老化初期阶段，较低数值则反映电池经历使用周期后的状态。同理，内阻(Internal Resistance)的分布图9.h) 呈现强烈不对称性且集中于较低初始值区间（约20–21毫欧），同时具有向高值延伸的长"尾端"（最高达27–28毫欧）。该分布反映了电池老化过程中内阻不可逆增长的特性，且随着电阻值升高，观测数据比例逐渐降低。

4.6.3. 日终荷电状态分布

const图9.i) 整体呈双峰或多峰分布，观测值显著集中于60–90%区间，并在85–90%附近形成明显峰值。该分布表明电池经常在电量未降至极低时就被充电，这种避免过度深度放电的模式有利于延长电池寿命。然而，较低荷电状态（SoC）值的存在也说明电池偶尔会使用至较低电量水平，从而产生循环应力。这种主导性使用模式以避免长期处于极高或极低荷电状态(SoC)为特征，并伴随频繁的局部充电，可能有助于缓解某些退化机制，例如低温/高SoC下的锂镀层现象、高温/高SoC下过度的SEI膜生长，以及深度放电引发的应力。

4.7. 基于多元线性回归的退化建模

本研究目标旨在利用多种运行与环境参数建立车辆电池健康状态(SoH)的预测模型。通过执行普通最小二乘法(OLS)回归分析，其结果如下表所示。我们对模型性能及各变量的显著性进行了严谨分析。

4.7.1. 普通最小二乘法回归结果

OLS回归分析的完整结果展示于表4。该表格提供了各变量的回归系数、标准误、t统计量、p值以及95%置信区间。

表 4. OLS回归结果

空白单元格	coef	标准差	t	P > \|t\|	[0.025	0.975]
const	99.9876	0.011	9184.368	0.000	99.966	100.009
自实验开始的天数	-0.0006	1.72e-06	-340.731	0.000	-0.001	-0.001
电池内部温度（°C）	-4.959e-05	0.000	-0.313	0.755	-0.000	0.000
环境湿度（%）	-3.393e-05	0.000	-0.284	0.776	-0.000	0.000
粉尘浓度（µg/m³）	5.553×10⁻⁵	2.96×10⁻⁵	1.874	0.061	-2.68×10⁻⁶	0.000
道路质量（1=优，5=劣）	-0.0005	0.000	-1.884	0.060	-0.001	1.94×10⁻⁵
日排放深度（%）	5.824×10⁻⁵	6.14e-05	0.949	0.343	-6.24e-05	0.000
日均当量循环次数	5.824e-07	6.14e-07	0.949	0.343	-6.24×10⁻⁷	1.79e-06
平均电流（A）	5.326e-06	1.09e-05	0.488	0.626	-1.61e-05	2.68×10<sup>-5</sup>

结果显示，"运行天数"变量具有高度显著的负系数（p值=0.000），这表明电池健康状态随时间呈现统计学上显著的强烈下降趋势，这与电池预期劣化过程相符。虽然"粉尘浓度"和"道路质量"等其他变量同样呈现负系数，但在常规5%显著性水平下均未达到统计显著性（p值分别为0.061和0.060）。其余变量包括电池内部温度、环境湿度和平均电流在本模型中均未显示与健康状态存在显著关联。

4.7.2. 模型性能与诊断

表5汇总了OLS模型的整体性能，包括R平方和F统计量等关键指标。

表5. OLS模型摘要

因变量：	SoH (%)	R平方值	0.995
模型：	最小二乘法	调整后R方：	0.995
方法：	最小二乘法	F统计量：	1.795×10⁴
日期：	2025年7月24日星期四	概率（F统计量）：	0.00
时间：	17:16:27	对数似然值：	1960.0
观测数：	584	AIC（赤池信息量准则）：	-3904.
残差自由度：	576	BIC（贝叶斯信息量准则）：	-3869.
模型自由度：	7

模型显示出极高的拟合优度，其R平方值为0.995。这表明自变量共同解释了因变量（SoH）99.5%的变异，意味着该模型在预测电池性能衰减方面具有高度有效性。Prob（F统计量）值为0.00进一步证实了整个模型具有统计显著性。
我们还进行了模型诊断以评估普通最小二乘回归的基本假设。具体结果详见于表6.

表6. OLS模型诊断

指标	解读	数值
Omnibus检验	残差正态性	7004.871
Omnibus概率值	p值	0.000
雅克-贝拉（JB）检验	正态性检验	51.191
JB检验概率值	p值	7.66 × 10⁻¹ ²
偏度	残差分布的对称性	0.086
峰度	尾部厚度	1.560
Durbin–Watson	自相关	1.971
输出：条件数	多重共线性	1.35 × 10 ¹ ⁹

杜宾-沃森统计量为1.971，接近理想值2，表明残差中不存在显著的正自相关或负自相关。这支持了误差项独立的假设。然而，Jarque-Bera（JB）检验与Prob(Omnibus)的p值均极低，表明残差不符合正态分布。虽然这可能影响假设检验的有效性，但根据中心极限定理，大样本量（584个观测值）能够减轻对系数估计本身的影响。极高的条件数表明自变量间可能存在多重共线性问题，这会导致系数估计不稳定。后续研究将通过特征选择或正则化等方法对该问题进行探讨与解决。

4.8. 对比情景分析

尽管本研究主要针对单一实验车辆开展，但已对数据片段进行对比分析以评估特定条件的影响。例如，通过对比高温时段与凉爽时段，或劣化道路与平坦道路的行驶数据，可分离这些因素的影响效应。图9下图展示了两组关于电池退化的关键关系：健康状态（SoH）随累积循环次数的演变规律及其与日均里程的关联。这些可视化结果为我们研究中观察到的电池老化主要驱动因素提供了重要依据。
顶部图10图.a清晰地展示了电池健康状态(SoH)与累积循环次数之间深刻且近乎线性的关系。如图所示，在大约120次等效循环过程中，SoH从约100.0%持续渐进下降至约99.6%。这种强烈且一致的下降趋势明确证实：累积循环是导致电池性能衰退的主要直接因素。每次充放电循环都会加剧电池内部不可逆的老化过程，从而导致其整体健康状态的量化衰减。这一观测结果凸显了将累积使用量作为预测和理解电池寿命关键指标的重要性。与累积循环所呈现的明确趋势形成鲜明对比的是，底部图10图.b展示了电池健康状态(SoH)与日行驶里程之间的关系，呈现出更为分散且缺乏明确规律的模式。数据点分布广泛，在SoH与每日行驶公里数之间未能观察到显著强线性相关性。这表明虽然日常驾驶活动会影响电池整体使用状况，但单日里程对SoH的即时或直接线性影响，远不如充放电循环长期累积效应显著。这一对比分析凸显出：与电池经历的总等效循环次数这一主导性影响因素相比，日行驶距离的波动本身并不能作为预测SoH衰减的强即时指标。

4.8.1. 对比分析

通过这一对比情景分析，图9视觉上强化了我们研究的一个关键发现：电池健康状态（SoH）的退化主要受累积使用（循环次数）驱动，而非日常运行参数（如日行驶里程）的波动。虽然日行驶里程会随时间推移促进循环次数的累积，但其对SoH的单日直接影响较弱且更具变异性。这一区分对于开发精确的寿命预测模型及优化电池管理系统（BMS）策略至关重要，它强调累积应力（尤其是循环充放电）才是长期电池健康管理中更需监测的关键因素。
这图11该图表清晰地展示了电池健康状态(SoH)随累计行驶里程增加而呈现的线性衰减趋势。图中可见SoH从初始值约100%开始稳定下降，在累计行驶约37,500公里后降至约99.5%。红色回归线突显的强线性趋势表明，车辆每行驶一公里，电池整体健康状况就会出现可预测的微小下降。这一可视化结果证实，车辆总行驶里程是影响电池长期老化的关键因素，反映了驾驶过程中累积的机械应力和电气应力。

同理，图12清晰地展示了电池健康状态(SoH)与其经历的累积循环次数之间存在非常显著且明确的线性关系。随着循环次数增加，SoH呈现稳定的线性下降趋势——在大约125次等效循环过程中，从接近100%降至约99.5%。这一线性变化趋势（红色回归线也着重强调了这一点）突显了充放电循环对电池性能衰退的关键影响。每个循环都会导致电池内部发生不可逆的化学与物理变化，从而引起可测量的容量衰减和整体性能退化。

这些视觉观测结果图11为实验确定的校准系数。三轴ADXL345加速度计（I2C接口）被牢固安装在车辆底盘靠近电池组的位置，用于记录三轴（X、Y、Z）加速度数据以量化道路粗糙度。此外，配备UART接口的Neo-6M GPS模块安装于开阔区域以确保最佳卫星信号接收，从而实现里程追踪与地理坐标记录功能。图12与我们的OLS回归模型结果结合考量时尤其具有启发性。尽管OLS模型由于与"Days since Start"存在严重多重共线性问题，难以对每日对于SoH（健康状态）采用使用变量（如每日行驶里程或每日等效循环次数）的分析时，这些数据明确表明累积性使用指标（累计里程与累计循环次数）确实是驱动SoH退化的强线性因素。这表明使用的累积效应确实是循环退化的真实诱因，但其每日的独立贡献很可能被OLS模型中作为整体老化代理变量的"Days since Start"所掩盖或吸收。因此，图11为实验确定的校准系数。三轴ADXL345加速度计（I2C接口）被牢固安装在车辆底盘靠近电池组的位置，用于记录三轴（X、Y、Z）加速度数据以量化道路粗糙度。此外，配备UART接口的Neo-6M GPS模块安装于开阔区域以确保最佳卫星信号接收，从而实现里程追踪与地理坐标记录功能。图12提供了令人信服的证据，表明累计里程和累计循环次数是影响电池寿命的根本因素，进一步巩固了我们对实际应用中电池老化机制的理解。
普通最小二乘回归结果为研究变量对电池健康状态（SoH）的影响提供了量化视角。

4.8.2. 整体模型性能与多重共线性问题

该模型的判定系数（R²）高达0.995，表明其可解释99.5%的SoH变异性。该数值证明模型具备极佳的能力以表征SoH演变规律。然而，诊断检验显示"条件数"（1.35e+19）异常偏高，这强烈暗示自变量间存在严重多重共线性问题。这种多重共线性会导致单个系数不稳定且难以独立解释，并可能使已知具有物理影响的变量出现反直觉符号或不显著p值。

4.8.3. 系数解释与统计显著性

模型所包含的变量中，仅"Days since Start"变量具有极高统计显著性（p < 0.001）。其系数为−0.0006表明，在其他条件不变时，每经过一天，SoH平均下降0.0006%。这凸显了日历老化在实验周期内对SoH衰退的主导性影响。
其余变量的系数均未呈现统计显著性（p > 0.05），部分变量系数符号与预期相反，这可能源于多重共线性：

•
电池内部温度（°C）(-4.959e-05, p=0.755) 与环境湿度（%）(-3.393e-05, p=0.776)：尽管已知这些因素会加速电池衰减，但其系数在本模型中极小且不显著。这并不意味着它们没有影响，而是其直接线性效应可能被与时间变量（"运行天数"）的强相关性所掩盖，或表现为非线性关系，亦或通过其他变量间接体现。在热带环境中，高温高湿作为持续存在的应力因素，确实会促进电池日历老化。
•
粉尘浓度（µg/m³）(5.553e-05, p = 0.061) 和道路质量（1=优，5=劣）(-0.0005, p = 0.060)：这些变量处于统计学显著性的临界值。粉尘浓度的正向系数与直觉相悖，而道路质量的负向系数（质量越差即数值越高导致SoH降低）则更符合预期，表明振动和冲击可能导致机械性退化。
•
日放电深度(%)、日等效循环次数及平均电流(A)其系数均不显著，且前两项呈现反直觉的正值符号。这直接源于多重共线性问题——循环使用的影响很可能已被"启动后天数"变量作为累积老化的代理指标所充分捕捉。

图11, 图12对模型解释形成补充。图11为实验确定的校准系数。三轴ADXL345加速度计（I2C接口）被牢固安装在车辆底盘靠近电池组的位置，用于记录三轴（X、Y、Z）加速度数据以量化道路粗糙度。此外，配备UART接口的Neo-6M GPS模块安装于开阔区域以确保最佳卫星信号接收，从而实现里程追踪与地理坐标记录功能。图12SoH与"累积循环次数"呈现非常清晰且强烈的线性关系。类似地，图12展示SoH（健康状态）随"累计行驶里程"呈线性下降趋势。这些可视化观测结果与OLS模型中日常使用变量缺乏显著性的结论相矛盾。这表明使用行为的累积效应（累计循环次数与行驶里程）才是循环退化的真实驱动因素，但由于OLS模型采用日度变量且与"起始后天数"变量存在多重共线性，导致无法正确分离并量化各个变量的独立贡献。图11证实了电池健康状态(SoH)与日均里程之间微弱的线性相关性，这与普通最小二乘法(OLS)模型中该变量的缺失一致。最后，图12内阻随累积里程呈现轻微负相关趋势，这一反直觉现象可能是由于温度对内阻的主导性影响所致，在短期实验周期内掩盖了与老化相关的内阻上升趋势。
该OLS模型的主要局限在于存在严重的多重共线性，这导致单个系数的解释不可靠。尽管该模型能够解释SoH方差的很大部分，但其无法清晰区分除日历老化外每个环境和运行因素的具体贡献。此外，该模型假设变量间呈线性关系，而电池退化（尤其在其寿命末期）往往表现出非线性特征。未来可探索更复杂的建模方法（如非线性模型、混合效应模型或用于管理多重共线性的降维技术），以更好地分离和量化各因素的影响。

5. 结果的全年龄讨论

本研究旨在深化对热带环境下电动汽车电池衰减的理解。我们的具体目标是：1) 表征热带环境中锂离子电动汽车电池在真实气候和驾驶条件下的健康状态(SoH)衰减及内阻演变规律；2) 量化特定环境因素(高环境温度、相对湿度、粉尘浓度)对电池老化机制的影响；3) 评估当地驾驶条件(道路基础设施质量与行驶里程)对电池组机械及热衰减的影响；以及4) 为改进寿命预测模型提供实证数据与稳健相关性分析，并开发更适应热带气候的电池管理系统(BMS)策略。

5.1. 结果阐释

5.1.1. 健康状态与内阻退化特性分析（目标1）

随着时间推移，健康状态持续下降而内阻逐步上升图11, 图12与累积循环次数及里程呈线性相关趋势。健康状态从100%轻微衰减至约99.6%，内阻则由20-21mΩ上升至27-28mΩ，反映出可逆（温度依赖性）与不可逆（结构/化学）老化共同作用。最小二乘回归（表3）证实日历老化是主导因素（"启动后天数"系数-0.0006，p<0.001）。日放电深度（10-15%，图8.f) 会加速循环老化，并与内阻呈现显著相关性。Table 2).

5.1.2. 环境因素影响的量化研究(目标2)

环境温度(24–33°C，平均28–29°C，图7a, 8.a)，高湿度(75–84%，图7, 图8)，以及粉尘（图7, 图8) 影响电池老化。电池内部温度（峰值38-55°C，图7, 图8d，8.b）与内阻（0.83，Table 2），其研究强调热应力是性能退化的主要驱动因素。热滞后效应可缓解温度的快速波动，但持续高温会加速化学反应。虽然与健康状态（SoH）的线性相关性表现较弱（SoH-温度0.21，湿度0.035，粉尘0.005），但其累积效应显著，在热带气候条件下尤为突出。

5.1.3. 输出：驾驶工况影响评估（目标3）

输出：道路质量（图8.e）对健康状态（SoH）的影响较为有限（OLS系数−0.0005，p=0.060），但振动与冲击可能导致微裂纹和SEI层损伤。日行驶里程与SoH的线性相关性较弱，但累计里程（图11.a）与容量衰减呈现显著关联。放电深度虽然在SoH的OLS模型中未达显著水平，却与内阻存在强相关性（0.95，Table 2)，强调循环衰减。

5.1.4. 对模型与电池管理系统改进的贡献（目标4）

热带工况下采集的实证数据对寿命预测与BMS优化具有重要价值。尽管多重共线性限制了对个别系数的解释，OLS模型仍能解释99.5%的SoH方差（R² = 0.995）。日历老化与内部温度被确定为改进BMS算法及热带气候适应性冷却策略的关键因素。

5.2. 与其他研究的对比

实测年均容量衰减率为两年0.4%，低于典型温带或受控环境条件下的数值，凸显环境因素的差异性。表7归纳了不同环境与运行条件下典型的年衰减率。

Table 7. 不同环境与运行条件下的典型年退化率。

作者及年份	环境/测试类型	化学/形式	报告衰减率（%SoH/年）	关键说明
(Schmalstieg et al., 2014)	日历与循环老化，25–60 °C	NMC/石墨 18650	输出： 0.4–0.8（25°C，日历寿命）；1.5–2.5（45°C）；1–2（25°C循环）	显著阿伦尼乌斯依赖性；
(Palizban and Kauhaniemi, 2016)	日历老化与温度和荷电状态关系	锂离子电池（电动汽车级）	0.5–0.8（25°C，50%荷电状态）；3–5（45°C，100%荷电状态）	高温+高荷电状态=协同衰减
(Dehghanghadikolaei等，2018)	日历/循环寿命测试，25–55 °C	混合化学体系（NMC/NCA）	0.5–1次（25–30 °C）；2–4+次（45–55 °C）	T驱动日历衰减的早期证据
(Peterson et al., 2010)	循环寿命，不同放电深度/充放电倍率，25–30 °C	NCA/石墨	1–2（中等）；3–5（高放电深度/充放电倍率）	DoD与C-rate主导循环配对衰减
(Suthar等人，2018年)	现实世界中的插电式混合动力/纯电动汽车使用情况	汽车锂离子电池	1–2.5（温带气候）	运行工况影响容量衰减
(Chaudhary and Khanuja, 2019)	长期循环性能，20–40°C	NMC/NCA 18650	1–1.5次（25°C）；2–3次（40°C）	温度升高加速循环衰减
(Van Nguyen等，2015)	日历老化、温度与电压窗口	NMC/石墨	0.4–0.7（25°C，中等SoC）；2–3 + （45°C，高SoC）	电压窗口对容量衰减至关重要
	车队远程信息数据，混合气候条件	混合电动车化学体系	1.6–2.3（中位数）	车队层面变异性；热管理系统与快充加速衰减
当前研究（喀麦隆）	热带真实环境（城市+城际）；2年	NMC电池组（电动车）	0.2%/年	温和应激状态；生命早期窗口期；中度放电深度

我们观察到的年度容量衰减率（0.2%容量损失）低于车队典型平均值及加速实验室测试数据。这一现象可由以下因素解释：方法论差异（车队数据与单车测量对比、电芯级与电池包级评估差异）、运行工况与暴露环境变异、本研究中间歇性温度暴露影响，以及电池包设计/BMS运行策略。NMC电池化学体系展现出优异的循环寿命与热稳定性。频繁的局部充电及避免深度放电（注：此处保留英文缩写NMC和BMS符合术语规范）图9i) 可能降低了循环应力，同时车辆的热管理系统避免了持续极端内部温度的出现。两年的持续时间也可能反映了电池处于寿命早期至中期阶段，此时退化速度较慢。总体而言，尽管结果较为温和，但这些发现证实了环境因素（温度、湿度、灰尘）在热带环境中的重要性，并为未来多车研究提供了基准。

5.3. 局限性与不足

我们OLS模型的主要局限在于严重的多重共线性问题（条件数1.35×10¹⁹），这导致单个系数不稳定并可能掩盖真实变量效应（如温度、放电深度）。线性假设可能无法捕捉所有非线性老化过程，尤其在衰退后期阶段。由振动引起的机械退化（包括功率谱密度与内阻的关联性）的详细分析超出本研究范围，仍是未来研究的重要方向。最后，更长的实验周期可能揭示当前被主导因素或多重共线性掩盖的影响。

5.4. 所提方法的意义

•
自适应热管理：内部温度与电阻间的强相关性凸显了需通过电池管理系统控制冷却策略以维持最佳工作温度区间（15-35°C）的必要性。
•
改进的健康状态估计与寿命预测：实证数据及OLS模型的高R²值（0.995）支持对热带地区电动汽车进行精确的实时健康状态监测与剩余使用寿命预测。
•
BMS引导的充放电管理：放电深度与内阻的关联性验证了循环管理的重要性。电池管理系统可指导充电策略以避免深度放电或极端荷电状态（SoC），从而延长电池寿命。
•
机械应力监测的未来整合：道路引发的振动现象表明，电池管理系统（BMS）可能演变为具备机械应力监测功能，通过优化电芯均衡和调整功率输出来减缓电池性能衰减。
•
道路基础设施：更优质的道路可降低机械应力，从而提升电池耐久性并减少维护成本。
•
电动汽车战略部署：研究数据为制造商和政策制定者提供了科学依据，有助于制定针对热带气候的电池管理系统设计方案及车辆投放策略。
•
本研究证实日历老化与温度是电池性能退化的主要驱动因素，同时揭示了湿度与道路质量虽影响较微妙但同样重要的作用。研究结果为设计适应高温高湿环境的耐久性电池及优化电池管理系统（BMS）奠定了理论基础。

6. 结论

本研究通过全面实验表征健康状态(State of Health, SoH)演变与内阻增长过程，同时显式考量高温环境、持续湿度、粉尘暴露、异质性道路质量及实际使用模式等因素，深化了对锂离子电动汽车(EV)电池在真实热带气候与驾驶条件下性能衰退机制的理解。实验结果表明，SoH呈现渐进式准线性衰减，内阻则随时间和行驶里程逐渐增加。在以启用天数为表征的日历老化效应中，持续热应力被确认为容量衰减的主导因素。热带环境条件是导致电池性能退化的主要加速因素，升高的电池内部温度与阻抗增长呈现强相关性，凸显其在老化过程中的关键作用；而由日放电深度反映的循环相关应力，则进一步加剧阻抗上升。此外，道路质量的影响表明，在基础设施薄弱地区存在机械诱发的退化机制，这强调了在电池老化研究中考虑机械应力的重要性。尽管由于多重共线性导致各单一变量与健康状态（SoH）的线性相关性较弱，但多元线性回归模型解释了大部分SoH方差（R² = 0.995），证明基于实证数据驱动的方法能有效支持退化预测，并为开发适用于热带气候的电池管理系统（BMS）提供依据。然而，依赖线性统计建模限制了充分捕捉非线性退化动力学与环境及运行应力因素间复杂相互作用的能力，同时缺乏电化学与显微诊断技术阻碍了宏观老化指标与潜在降解机制间的直接关联，且机械效应仅能通过间接推断获得，而无明确的限制级振动测量数据支持。因此，未来研究应重点关注以下方向：采用先进非线性与物理信息建模方法解决多重共线性问题，延长实验周期以覆盖完整电池生命周期，结合电化学与微观结构分析阐明退化路径，开展详细振动与频域分析以量化机械老化效应，优化热管理策略的同时评估气候、运行及机械应力因素的协同作用，从而为热带地区电动汽车应用开发更具鲁棒性、精确性及气候适应性的电池管理系统（BMS）。