北理工團隊在鋰離子電池健康評價方面取得重要進展
發(fā)布日期:2023-05-24 供稿:機車學院 攝影:機車學院
編輯:宋斯語 審核:席軍強 閱讀次數(shù):近日,,北京理工大學電動車輛國家工程研究中心孫逢春院士、熊瑞教授團隊在《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,、電化學儲能等領域的核心供能部件,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,,遺憾的是,該指標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)來學習新的老化特征知識,所以始終阻礙著電池的快速規(guī)?;瘧?。
該在該工作中,研究人員設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)估計方法的深度學習框架(圖1),。該框架集成了一個深度神經(jīng)網(wǎng)絡群,,將深度神經(jīng)網(wǎng)絡的個體估計擴展為群體估計以降低訓練不確定性。該框架還特別針對每個深度神經(jīng)網(wǎng)絡個體進行了最小化特征分布差異設計,,以此促進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小時的訓練時間避免了耗時數(shù)月甚至數(shù)年的目標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在讀博士生,指導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: