北理工團(tuán)隊在鋰離子電池健康評價方面取得重要進(jìn)展
發(fā)布日期：2023-05-24 供稿：機(jī)車學(xué)院 攝影：機(jī)車學(xué)院
編輯：宋斯語 審核：席軍強(qiáng) 閱讀次數(shù)：
近日，北京理工大學(xué)電動車輛國家工程研究中心孫逢春院士、熊瑞教授團(tuán)隊在《自然通訊》雜志上發(fā)表論文“Deep learning to estimate lithium-ion battery state of health without additional degradation experiments”，提出了不依賴額外電池老化測試的健康狀態(tài)快速評估方法。該方法直接利用已有電池數(shù)據(jù)實施新電池健康狀態(tài)評估，打破了電池健康狀態(tài)評估對完備測試數(shù)據(jù)的依賴性。
鋰離子電池被廣泛用作新能源汽車、電化學(xué)儲能等領(lǐng)域的核心供能部件，但其老化引發(fā)的性能衰退問題卻始終危及長期應(yīng)用安全。健康狀態(tài)是能夠有效評價電池性能衰退程度的重要量化指標(biāo)，遺憾的是，該指標(biāo)往往難以通過傳感器直接測量而依賴于在線估計。長期以來，額外開展目標(biāo)電池全壽命周期老化實驗始終是新電池健康狀態(tài)估計算法開發(fā)的必要條件，因為算法需要新電池的老化數(shù)據(jù)來學(xué)習(xí)新的老化特征知識，所以始終阻礙著電池的快速規(guī)?；瘧?yīng)用。
該在該工作中，研究人員設(shè)計了一個利用已有電池的實驗數(shù)據(jù)直接開發(fā)新電池健康狀態(tài)估計方法的深度學(xué)習(xí)框架（圖1）。該框架集成了一個深度神經(jīng)網(wǎng)絡(luò)群，將深度神經(jīng)網(wǎng)絡(luò)的個體估計擴(kuò)展為群體估計以降低訓(xùn)練不確定性。該框架還特別針對每個深度神經(jīng)網(wǎng)絡(luò)個體進(jìn)行了最小化特征分布差異設(shè)計，以此促進(jìn)已有電池的健康狀態(tài)估計知識遷移至新電池。
圖1 所提框架的結(jié)構(gòu)示意圖
經(jīng)過5款電池（共71,588個樣本）的交叉驗證（圖2），結(jié)果表明，該框架在毫無新電池全壽命周期老化實驗數(shù)據(jù)下能夠確保89.4%樣本的估計絕對誤差在3%以內(nèi)，同時確保98.9%樣本的估計絕對誤差在5%以內(nèi)，最大誤差在8.87%以內(nèi)。更重要的是，該框架利用約0.7小時的訓(xùn)練時間避免了耗時數(shù)月甚至數(shù)年的目標(biāo)電池全壽命周期老化實驗。這些發(fā)現(xiàn)為鋰離子電池管理算法的快速開發(fā)提供了全新思路。
圖2 基于5款電池（共71,588個樣本）的交叉驗證結(jié)果
論文作者全部自于北京理工大學(xué)電動車輛國家工程研究中心。第一作者盧家歡為北京理工大學(xué)在讀博士生，指導(dǎo)教師為孫逢春院士和熊瑞教授(通訊作者)，共同通訊作者為田金鵬博士后(合作導(dǎo)師為熊瑞教授)。該工作得到了國家重點研發(fā)計劃重點專項課題等的資助。
論文鏈接：https://www.nature.com/articles/s41467-023-38458-w
分享到：