【儀表網(wǎng) 研發(fā)快訊】作為我國“碳達峰碳中和”戰(zhàn)略布局和世界范圍內(nèi)溫室氣體“凈零排放”(net-zero emissions)長遠目標的重要支撐，儲能技術(shù)的作用日益凸顯。鋰離子電池作為當前應(yīng)用最為廣泛的儲能技術(shù)之一，在使用過程中不可避免地會發(fā)生老化和退化，導致其性能下降、安全風險升高。因此，精確估計并精準預測其健康狀態(tài)(SOH)成為提高鋰離子電池系統(tǒng)安全性和經(jīng)濟性的關(guān)鍵技術(shù)。同時，如何在鋰離子電池退化的早期階段精準預測其壽命，對于鋰離子電池的研發(fā)及應(yīng)用具有重要意義。然而，由于鋰離子電池的老化和退化機制十分復雜，且在早期階段缺乏明顯的退化特征，目前的健康狀態(tài)估計和早期壽命預測算法仍存在精度較低、泛化能力較差等問題。
 

　　近日，上?？萍即髮W信息科學與技術(shù)學院智慧電氣科學中心(CiPES)楊恒昭教授課題組(儲能實驗室)在鋰離子電池健康狀態(tài)估計和壽命預測領(lǐng)域取得兩項研究進展。相關(guān)研究成果以上?？萍即髮W為第一完成單位分別發(fā)表于儲能領(lǐng)域國際期刊Journal of Energy Storage和電力電子領(lǐng)域國際期刊IEEE Transactions on Power Electronics。
 

　　基于里程修正的電動客車容量軌跡預測框架
 

　　楊恒昭課題組基于新能源汽車國家大數(shù)據(jù)聯(lián)盟提供的200輛電動客車在2019年全年的實際運行數(shù)據(jù)，提出了一種鋰離子電池容量軌跡預測框架。該框架提出了一種考慮車輛行駛里程的電池容量修正方法，在傳統(tǒng)的安時積分方法中引入了行駛里程，利用XGBoost模型對放電片段對應(yīng)的放電容量進行了更為精確的估計。在此基礎(chǔ)上，提取了9個與電池狀態(tài)和車輛行駛行為緊密相關(guān)的特征，并構(gòu)建了基于雙向長短期記憶網(wǎng)絡(luò)(BiLSTM)的序列到序列(Seq2Seq)電池容量軌跡預測框架。使用該框架對兩款(Model A和Model B)共12輛電動客車(#1-#12)在兩種行駛場景下(Scenario 1和Scenario 2)的電池容量軌跡進行了預測。結(jié)果顯示最大平均絕對誤差(MAE)不超過0.78%，最大均方根誤差(RMSE)不超過0.94%(兩項誤差均為容量預測誤差除以額定容量得到的相對誤差)，驗證了該框架在電池容量估計和預測方面的有效性。
 

圖1. 基于里程修正的電池容量估計方法
 

圖2. 電池容量軌跡預測框架
 

圖3. 電池容量軌跡預測誤差
 

　　該成果以“A Battery Capacity Trajectory Prediction Framework with Mileage Correction for Electric Buses”為題發(fā)表于Journal of Energy Storage。信息學院2023級碩士研究生徐藝菲為第一作者，楊恒昭教授為通訊作者。
 

　　基于圖像化單循環(huán)數(shù)據(jù)的鋰離子電池超早期壽命預測
 

　　針對鋰離子電池的超早期壽命預測問題，楊恒昭課題組提出了一種基于圖像化單循環(huán)數(shù)據(jù)的壽命預測框架。該框架提出了一種圖像構(gòu)建方法，使用滑動窗口將原始的時序數(shù)據(jù)劃分成N個子序列，然后利用任意兩個子序列之間的歐幾里得距離衡量它們之間的相關(guān)性，從而構(gòu)建出N×N圖像。這一方法將原始時序數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，提升了卷積神經(jīng)網(wǎng)絡(luò)(CNN)從單循環(huán)數(shù)據(jù)中挖掘隱藏信息的能力，顯著提高了模型的泛化能力。在此基礎(chǔ)上，將電壓、電流和容量數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，進而合并為三通道圖像并將該圖像輸入至具有特定結(jié)構(gòu)的AlexNet模型，實現(xiàn)了鋰離子電池的超早期壽命預測。使用公開電池數(shù)據(jù)集(共124個電池)對該框架進行了驗證，結(jié)果顯示均方根誤差(RMSE)僅76.81個循環(huán)，平均絕對百分比誤差(MAPE)不超過7.05%，決定系數(shù)(R2)達0.9178，證明了該框架在電池超早期壽命預測方面的有效性。
 

圖4. 鋰離子電池超早期壽命預測框架
 

　　圖5. 所提出的方法(“Full” model)與基于特征的方法結(jié)果對比：(a)RMSE；(b)MAPE；(c)R2
 

　　圖6. 所提出的方法(“Full” model)與無特征的方法結(jié)果對比：(a)RMSE；(b)MAPE；(c)R2
 

　　該成果以“Ultra-Early Prediction of Lithium-ion Battery Cycle Life Based on Visualized Single-Cycle Data”為題發(fā)表于IEEE Transactions on Power Electronics。信息學院2022級碩士研究生楊文進為第一作者，楊恒昭教授為通訊作者。上?？臻g電源研究所總研究師解晶瑩和上海航天電源技術(shù)有限責任公司工程師閔凡奇參與了研究工作。