智能电池专辑 | 深度学习方法用于基于弛豫电压的电池电压-容量曲线预测

引言

锂离子电池已成为电动载运装备和电化学储能系统不可或缺的组成部分，在减少全球碳排放方面发挥着至关重要的作用。然而，随着使用时间的延长，电池性能会因电极上发生的副反应而下降。这种持续退化会导致电池储能能力下降，在某些情况下还会引发安全问题。因此，准确评估电池性能衰减对于确保电池在整个生命周期内稳定运行至关重要。一般而言，电池性能退化表现为最大容量损失，即电池健康状态（SOH）下降。随着人工智能技术的快速发展，深度学习等数据驱动方法为解决电池容量估计问题提供了极具吸引力的方案。通过从特定恒流片段中提取健康特征，以此实现对电池最大容量或健康状态等标量的状态估计。然而，现有研究仍然存在一些不足：(1) 最大容量或SOH等标量难以反应更加丰富的电池老化信息; (2) 实车充电区间及多阶倍率不确定，从特定电压片段中提取的特征易受充电协议的影响难以泛化实际应用。因此，如何利用较为稳定的数据实现对电池老化的全面诊断并提供更加丰富的老化信息尤为重要。

成果展示

近期，重庆理工大学汤爱华教授（第一作者）、哈尔滨工业大学于全庆副教授（通讯作者）、香港理工大学田金鹏助理教授等人合作开发了一种电池老化诊断方法，利用弛豫电压和深度学习预测电池的恒流电压-容量曲线。该方法以端对端的形式，仅通过当前循环下采集的一条短时弛豫电压，就可准确预测锂离子电池在当前循环下的恒流充放电曲线，进而提取容量增量曲线用于电池老化或安全性评估。此外，开发了一种两阶段深度学习策略提高充电曲线预测过程中的准确性和鲁棒性。首先，在无标记的弛豫电压上进行自监督预训练，以提早训练自动编码器中编码器部分在弛豫电压上的特征提取能力。其次，保留编码器部分权重，对解码器进行迁移学习，将其调整为下游充电曲线的预测任务。在来自国内外三个研究团队不同工况下的130块电池上，方法展现了良好的预测精度，恒流电压-容量曲线的RMSE基本保持在30mAh以内，体现了较好的通用性。本研究采用弛豫电压进行电池退化监测，所需的弛豫时间较短，而且无需额外的循环信息，因此有望推广至非恒流充电情况下的快速、全面的老化诊断。该研究工作以“Deep learning driven battery voltage-capacity curve prediction utilizing short-term relaxation voltage”为题发表在期刊eTransportation期刊。

图文导读

图. 1 基于弛豫电压和深度学习实现电池恒流曲线预测的技术路线

本研究的整体流程图如图1所示。与以往研究关注于使用特定电压片段执行基于深度学习的电池容量估计不同。本研究所提方法使用满充后的短时弛豫信息作为输入，结合两阶段深度学习策略的编码器-解码器模型，将传统的容量估计扩展为整个电压范围内的恒流充电曲线估计。预测出的恒流充电曲线可以提供远比容量等单一标量更加丰富的电池老化信息。

图. 2 两阶段深度学习策略下的电压-容量曲线训练和测试过程

图 2 展示了该方法在编码器-解码器上采用的两阶段训练策略。首先，在离线训练阶段，将没有电压容量曲线标签的弛豫电压序列输入自动编码器进行自监督预训练。通过这一自动编码过程，自动编码器中的编码器能有效地从弛豫电压中学习潜在的电池老化信息，从而使其在早期阶段就能从无标记的弛豫电压中获得特征学习能力。其次，编码器权重被冻结并保留作为下游电压容量曲线预测任务的特征提取器，无需重新训练。随后，将迁移学习应用于解码器，建立弛豫电压序列与相应电压容量曲线之间的映射关系，从而构建基于编码器-解码器的预测模型。最后，在在线测试阶段，将当前周期的短期弛豫电压序列直接输入基于编码器-解码器的预测模型，以获得当前周期的预测电压容量曲线。该曲线可用于快速在线电池退化诊断。

结果分析

图. 3 该研究中使用来自三个实验室的电池退化数据对所提方法进行全面验证 (a) 同济大学电池退化数据集 (b) 重庆理工大学电池退化数据集 (c) 西安交通大学电池退化数据集

图. 4 重庆理工大学电池退化数据集的开发实验设备

如图3和4所示，本研究使用来自三个不同实验室的电池退化数据集对所提方法进行了全面验证，同济大学电池退化数据集作为基础验证集，用于验证所提方法的预测精度以及鲁棒性，西安交通大学电池退化数据集用于验证所提方法在快充场景下的通用性，重庆理工大学电池退化数据集用于验证所提方法在不同弛豫时间以及不同弛豫采样点下的预测性能。

图5. 在同济大学数据集上的验证结果 (a,b) 预测的第一个循环和最后一个循环的充电曲线和增量容量曲线 (c,d) 预测所有充电曲线和增量容量曲线的结果

图6. 充电曲线预测结果的绝对误差 (a-f) Cell #1-Cell #6

图5和6展示了所提方法在同济大学数据集上的验证结果，不难发现，使用30min内收集的14个弛豫电压点，所提方法就能准确预测当前循环下的恒流充电曲线，绝对误差基本保持在10mAh以内。从预测结果中推导出的增量容量曲线也表现出清晰的IC峰变化，为后续电池老化诊断提供了有力支持。

图7. 所提方法在来自不同实验室的电池数据上的广泛验证结果

图7展示了所提方法在来自不同实验室的不同类型以及不同循环协议下电池上的验证结果。不难发现，所提方法表现出良好的通用性，不管是在不同温度下、不同电池类型下还是在不同充电倍率下的验证效果都表现优异，RMSE基本保持在40mAh以内。此外，在重庆理工大学电池数据集上，将所提方法的输入从满充后的弛豫电压，改变为混合输入来自不同充电截止电压后的弛豫电压，预测结果如图7(e)所示。不难发现，所提方法受混合输入的影响预测精度有所降低，绝大部分仍然保持在80mAh以内的可接受水平。但这也说明在未来的研究进程中，需要更多关注使用来自不同截止电压后的弛豫电压进行电池健康监测的问题，因为弛豫电压的采集过程受到多方面的影响。

小结

该研究提出了一种基于弛豫电压和两阶段深度学习的电池老化诊断方法，通过输入当前循环的短时弛豫电压序列即可准确预测当前循环的恒流电压-容量曲线，且无需额外的循环信息。同时，所提方法强调了将自监督学习预训练过程引入深度学习方法的重要性，从而提升所提方法的准确性和鲁棒性。总之，所提方法提出了一种行之有效的策略，为加强电池系统管理提供了新的见解。

文章信息

A. Tang, Y. Xu, P. Liu, J. Tian, Z. Wu, Y. Hu, Q. Yu, Deep learning driven battery voltage-capacity curve prediction utilizing short-term relaxation voltage, eTransportation, 2024; 22:100378.

https://doi.org/10.1016/j.etran.2024.100378.

汤爱华，重庆理工大学车辆工程学院教授/硕导。从事锂离子电池智能监测、状态预测、故障诊断及安全预警领域研究。近年来，主持国家自然科学基金面上、重庆市自然科学基金面上、重庆市重点科技项目等10余项，在eTransportation、Applied Energy、IEEE Transactions on Intelligent Transportation Systems、Journal of Power Sources 、Energy等期刊发表学术论文60余篇，3篇入选“ESI高被引论文”。申请国家发明专利19项。

许煜辰，重庆理工大学车辆工程学院2022级硕士研究生。主要从事锂离子电池老化诊断和性能衰退预测研究，目前已在Journal of Energy Chemistry, Applied Energy, Energy等期刊发文4篇。主持重庆市研究生创新项目1项，获得硕士研究生国家奖学金1次。

田金鹏，香港理工大学电网现代化研究中心研究助理教授，主要从事电池储能系统管理研究。以第一或通讯作者的身份在Joule和Nature Communications等顶级期刊发表论文20余篇；论文总引用超过4000次，9篇论文入选ESI高被引论文。主持国家自然科学基金项目、中国博士后科学基金项目等。曾入选“博士后创新人才支持计划”，获中国电工技术学会“优秀博士论文奖”。

于全庆，哈尔滨工业大学威海校区副教授/博导。担任储能科学与技术、机械工程学报、电气工程学报、Green Energy and Intelligent Transportation、Green Energy and Resources等期刊青年编委/编委。主要从事储能/动力电池系统管理及开发研究。主持国家自然科学基金面上、山东省自然科学基金面上等项目。发表学术论文70余篇，15篇入选“ESI高被引论文”。入选2022~2024年斯坦福大学和爱思唯尔发布的“全球前2%顶尖科学家” （World's Top 2% Scientists 2023）。