电池研究 | 利用深度迁移学习实时个性化地预测锂电池健康状态

提示 ： 点击上方 " CamCellLab "， 关注本公众号。

图1. 研究框架

此研究， 公开了 一个由77个LFP/graphite锂电池（77种放电方案）组成的综合数据集，具有超过140000个充放电循环，并开发了一套深度迁移学习框架，利用当前循环最近的30个循环的局部充放电数据，实现了对新电池放电策略任意循环的实时个性化健康状态预测。 对于容量估计和剩余寿命预测，所提出框架的平均测试误差分别为0.176%和8.72%。

此外， 提出的算法框架可实现不同充电配置、环境温度和电池材料之间的迁移。该研究分别利用了两个公共数据集助力实现容量估计（0.328%/0.193%）和剩余寿命预测（9.80%/9.90%）。

在“双碳”目标背景下，动力系统电动化已成为电力电子领域发展的必然趋势。锂电池作为电子器件的“心脏”，其健康情况事关重大。近年来，锂电池的充电策略优化已经吸引了大量的研究。相比之下，由于不同锂电池用户之间的使用偏好差异，锂电池的放电管理也是极为重要的环节。

实时个性化预测不同放电策略下的锂电池健康状态（即容量和剩余使用寿命）将为用户提供安全和可规划的使用场景，强化锂电池的健康管理。此外，锂电池健康管理技术可以促进自修复和回收技术的进步，并有潜力辅助新一代电池发展。

例如，用户可以在高功率放电之后估计锂电池的当前健康状态，并根据当前的估计结果制定新的使用方案以延长锂电池的剩余寿命。同样地，制造商能够测试极端放电后锂电池的当前性能，用于改进电池的设计。此外，回收商能够评估锂电池的当前健康状态，以确定它们是否适合再利用（如果是，适用于哪些应用）、再制造或回收。 因此，实时个性化的电池健康管理技术能够服务于用户、制造商和回收商等不同对象。

锂电池实时个性化健康预测面临着两个主要难题： 放电策略差异性和预测实时性 。首先，由于不同用户使用习惯差异较大，以及不同的电池化学材料、环境温度、历史数据中很少存在相同的放电策略及锂电池退化模式。

因此， 如果通过其他电池的历史数据直接预测新电池的健康状态可能会存在较大偏差 。先前工作的研究重点是通过从前期电池循环数据中提取通用的高性能特征来进行寿命预测，或使用每块电池至少25%的退化数据进行个性化建模和预测。

一方面， 由于忽略了每个电池的个性化退化模式，使用通用特征产生了可预见的预测误差 。另一方面， 先前工作预测方法的预测精度对数据量依赖性较大。 其次，实时性是健康状态预测的重要目标，用户可以实时掌握当前的电池健康状态，并相应地安排维护或更换，而 现有的研究侧重于预测给定几个循环的电池健康状态 。

目前，迁移学习能够利用其他不同但相关的领域知识迁移到目标领域，以帮助目标领域取得更好的学习效果。作为迁移学习的一个重要分支， 深度迁移学习 不需要进行手动特征工程。目前深度迁移学习方法已成功应用于各种应用，如医疗诊断、化学、自然语言处理以及智能制造等领域。 针对不同的锂电池使用模式，深度迁移学习有很大的潜力帮助实现实时个性化的锂电池健康预测。

鉴于此， 华中科技大学丁汉院士、袁烨教授、黄云辉教授创新交叉团队 提出了一套可迁移的深度学习框架实现实时个性化的锂电池健康预测。利用当前循环的最近30个循环的局部充放电数据，所提迁移学习框架可快速预测该循环的锂电池健康情况。

此研究提出的算法框架在配套LFP/graphite锂电池数据集上进行验证，容量估计和剩余寿命预测平均误差分别为0.176% 和8.72%。该算法框架也能够实现具有不同材料、不同环境温度、不同充放电配置锂电池之间的迁移预测，并利用了两个公开数据集进一步验证了所提方案的有效性。

该算法框架可以拓展到其他放电场景（如恒流放电、随机放电等），以及快速充电场景（如多步充电、脉冲充电、恒功率充电等）。此外，所提出的算法框架有希望拓展应用到准固态电池、固态电池和后锂离子电池（如锂硫电池、钠离子电池等）。

图2. 此研究提出的深度迁移学习模型结构，包含模型离线预训练阶段和模型在线迁移阶段

图3. 锂电池健康预测结果。左侧为容量预测，右侧为剩余寿命预测

声明：欢迎广大学者踊跃投稿 。本栏目信息来源及内容仅作为学术课题研究、技术交流等用途，不作为商业用途；文章观点仅供分享交流，转载请注明出处；如涉及版权等问题，我们将及时沟通处理。

康桥电池能源CamCell Lab 专注于新型电池技术、数字孪生仿真模型、数据驱动、数据可视化、技术方案研究与专家咨询服务，欢迎关注 。

长按识别二维码

---

关注我们