丹麦奥尔堡大学JEC：基于机器学习的锂离子电池剩余寿命预测发展

因高能量密度，长寿命和低自放电率等优点，锂离子电池已被广泛应用于电动汽车及消费电子等领域。然而，温度变化及不同充放电循环等复杂运行条件会造成锂离子损失，活性材料损失以及内阻增大，进而加速电池老化。剩余使用寿命（RUL）可描述锂离子电池的失效模式，通常被定义为容量降至初始状态80%时的寿命与当前寿命之差。精确的RUL预测有助于电池管理系统（BMS）有效监测电池运行状态，及时提醒用户更换及维护电池。基于早期数据的RUL预测还可减少老化试验时间与成本，从而提高电池设计、生产和优化效率。机器学习算法因其在非线性系统的优良表现，已被广泛应用于锂离子电池RUL预测。目前关于机器学习RUL预测的综述研究并未聚焦于常用算法研究热点的演化趋势以及探究RUL预测结果的进一步应用场景，因此本综述的目标为总结常用RUL机器学习算法研究热点随出版年份的演化趋势，比较不同机器学习算法性能差异并展望未来研究方向，以及探究利用RUL预测结果延长锂离子电池寿命的可能性。

近期，丹麦奥尔堡大学能源系博士生李幸军（导师Daniel Ioan Store和Søren Byg Vilsen）和奥尔堡大学能源系于丹（通讯作者）等人通过目标筛选和统计等方法综述了过去十年锂离子电池RUL预测机器学习算法的研究成果，并探究了应用RUL预测结果延长锂离子电池寿命的可能性。最常用的10种锂离子电池RUL预测机器学习算法被鉴别，每种算法的研究热点演化趋势以时间顺序统一展示。算法也从精度和特性的角度展开比较，未来的提升方向主要包括早期预测、局部容量再生建模、物理信息融合、泛迁移学习和硬件实现。RUL结果可用于评估当前充电策略对寿命的影响并作为动态决策后续充电策略的指标，进而延长电池寿命。该综述旨在为研究人员在机器学习算法预测锂离子电池RUL性能提升和采用RUL预测结果延长电池寿命方面以启发。

该研究论文以“The development of machine learning-based remaining useful life prediction for lithium-ion batteries”为题发表在期刊Journal of Energy Chemistry。

本文基于Web of Science数据库筛选得到的380篇文献展开统计分析。图1为2013年至2022年间用于RUL预测的机器学习算法文献出现频次前10位统计柱状图，其中递归神经网络（RNN）出现频次最高（61篇论文），人工神经网络（ANN）紧随其后，支持向量机（SVR）、相关向量机（RVM）、自回归（AR）和高斯过程回归（GPR）出现均高于25次，卷积神经网络（CNN）、极限学习机（ELM）出现15次，随机森林回归（RFR）和自编码（AE）出现频次均低于10次。图2展示了各种算法出现频次随出版年份的发展，RNN最早于2013年被用于锂离子电池RUL预测，后逐渐成为使用频次最高的算法，这主要是由其中的长短期记忆神经网络（LSTM）和门控循环单元（GRU）神经网络近几年大量使用引起的。

基于机器学习的锂离子电池RUL预测主要包含3步，如图3所示。第一步为基于老化试验和实际运行数据的有效特征提取，文中详细总结了常见直接特征、间接特征和基于电化学阻抗谱（EIS）的特征及关注点，还详细总结了4种常用的容量数据信号预处理方法应用。第二步为建立机器学习模型，主要包含两种方法：一是直接建立提取特征与RUL的机器学习模型，此类方法需要大量的RUL实验数据，且对特征提取有较高要求；第二种方法是先建立提取特征与电池健康状态（SOH）间机器学习模型，后利用估计的SOH递推至SOH达到预定阈值，此类方法与SOH估计方法类似，但模型输入变量不同，用于RUL预测时需输入循环数。第三步为RUL预测模型性能量化评价。

本文对流行度较高的RUL预测机器学习算法进行其研究热点演化和局限性综述，这里以RNN中的LSTM为例，其研究热点主要包含门优化，算法融合和集成及迁移学习，每一研究热点涉及文献及出版年份如图4所示。原文对每一算法的研究热点均展开讨论。

图5以雷达图的形式展示了不同算法的特点，可得出RVM和GPR算法可量化不确定度进而提高预测精度，但是两者泛化性能弱；RNN和CNN有较强的信息提取能力，从而保证较高的预测精度。SVM和ELM有较好的在线更新和快速预测能力。AR是最简单的算法，在容易执行的同时保持着可接受的预测精度。算法的定量化比较和特性（优、缺点）分析由原文第三节“Comparison of RUL prediction methods”部分论述。

本文还综述了通过优化充电策略来延长电池RUL的部分研究成果，并探究了动态使用RUL预测结果来评价充电策略进而改变充电策略并延长电池RUL的可能性。相关策略如图6所示。不同用户对电池的使用将产生不同的RUL结果，每当RUL减少5%时，可利用电化学模型优化充电策略，执行少量循环并进行RUL预测，若RUL预测结果表明新充电策略可延长电池寿命，则执行新的充电策略。

应用机器学习算法预测锂离子电池RUL已在过去10年取得较大进展。本文系统总结了常用于RUL预测机器学习算法的研究热点及其发展趋势，简要总结了电池寿命延长方法并探究了使用RUL预测结果实现电池寿命延长的可行性。10种最常用的算法及其在2012至2022年间的文献出现频次被统计，递归神经网络出现频次最高。4种常用的电池容量信号处理方法特性及应用模式也被介绍。常用算法的研究热点随出版年份变化趋势以统一形式展现，所有算法的研究热点主要包括参数优化、算法融合、算法结构设计和迁移学习。未来应用于RUL预测的机器学习算法提升方向主要包括早期预测，局部再生建模，物理信息融合，泛迁移学习和硬件实现。终端用户可以根据在线RUL预测结果多次改变或者优化充电策略，进而延长电池寿命。