【儀表網(wǎng) 研發(fā)快訊】鋰離子電池準確健康狀態(tài)(SOH，state of health)估計對于電池系統(tǒng)的高效、健康和安全運行至關重要。車路云集成系統(tǒng)被認為有潛力將自動駕駛推向高級階段，而在這一框架下，云電池管理系統(tǒng)(BMS，battery management system)成為了研究熱點之一。從高度隨機和噪聲的數(shù)據(jù)片段中提取有效的老化信息、開發(fā)SOH估計算法并有效處理基于云的電池管理系統(tǒng)的大規(guī)模計算需求，是這一研究面臨的主要挑戰(zhàn)。
 

　　為此，清華大學深圳國際研究生院夏必忠副研究員、張璇副教授團隊提出了一種用于SOH估計的精確、魯棒和可泛化的量子卷積神經(jīng)網(wǎng)絡(QCNN，quantum convolutional neural network)模型，該模型僅使用少量放電數(shù)據(jù)，且可與噪聲中尺度量子計算云平臺兼容。本工作證明了量子編碼對于從有限放電數(shù)據(jù)中提取的健康因子(HIs，health indicators)自動特征融合的有效性，強調了模型在處理隨機和噪聲數(shù)據(jù)時提升SOH估計準確性、魯棒性和泛化性的潛力，是一種在SOH估計中利用量子計算能力的新范式。
 

　　該工作的整體流程如圖1所示。首先，團隊利用來自4個數(shù)據(jù)集的數(shù)據(jù)，包括272個電池，涵蓋5種化學成分、4種額定參數(shù)和73種使用條件，基于增量容量曲線峰值，為每個電池設計了5個小至0.3V的電壓窗口，用于生成隨機SOH估計場景。團隊提取了3個有效的HIs序列，使用量子旋轉門編碼在不同維度對三種HIs進行表示，實現(xiàn)自動特征融合。隨后，團隊設計了一個基于變分量子電路的QCNN模型，無需激活函數(shù)，可有效減小計算復雜度，且具有很強的非線性表達能力。
 

圖1.使用QCNN估計SOH的整體流程
 

　　如圖2所示，隨著電壓窗口的增加，數(shù)據(jù)集的模型性能有所改善。團隊以增量容量曲線峰值為中心，考慮電壓平臺區(qū)為每種電池選擇合適的電壓窗口。
 

　　圖2.不同電壓窗口的模型誤差分布。圖(a)、(b)、(c)、(d)、(e)表示五種電池類型的誤差分布箱形圖。每個圖由四個子圖組成，每個子圖對應一項評估指標：RMSE、R²、MAE和 MAPE。每個圖中的五種顏色表示對應的五個電壓窗口
 

　　如圖3所示，QCNN模型在三個數(shù)據(jù)集上的表現(xiàn)優(yōu)于其他三種模型。QCNN在CALCE數(shù)據(jù)集上的表現(xiàn)也與表現(xiàn)最佳的CNN和LSTM模型相當。與MLP模型(即沒有量子卷積層的QCNN)相比，QCNN顯示出顯著改善，其RMSE至少改善了28%，R²始終超過96%，證明了量子卷積層在數(shù)據(jù)挖掘中的有效性。此外，與具有相同數(shù)量卷積層的類似CNN相比，MAE減少了18%。
 

　　圖3.QCNN與其他模型的誤差分布：圖(a)、(b)、(c)、(d)表示四個電池數(shù)據(jù)集的誤差分布概率密度圖。每個圖由四個子圖組成，代表四項評估指標：RMSE、R²、MAE和MAPE。每個圖中的四種顏色表示四種SOH估計模型：MLP、CNN、LSTM和QCNN
 

　　該工作展示了一種用于估計鋰離子電池SOH的量子卷積神經(jīng)網(wǎng)絡：使用小于0.3V的部分放電數(shù)據(jù)片段，基于量子旋轉門實現(xiàn)特征提取和特征融合，并基于量子卷積神經(jīng)網(wǎng)絡實現(xiàn)SOH估計，具有良好的估計準確性、魯棒性和泛化性。該工作對于云BMS系統(tǒng)利用量子計算能力進行SOH估計具有重要意義。
 

　　相關研究成果以“基于量子卷積神經(jīng)網(wǎng)絡自動特征融合的鋰離子電池隨機健康狀態(tài)估計”(Stochastic state of health estimation for lithium-ion batteries with automated feature fusion using quantum convolutional neural network)為題，于3月10日發(fā)表于《能源化學》(Journal of Energy Chemistry)。
 

　　夏必忠、張璇為論文共同通訊作者，清華大學深圳國際研究生院2022級碩士生梁宸和2022級博士生陶晟宇為論文共同第一作者。論文其他合作者包括清華大學深圳國際研究生院2023級碩士生黃星皓和王業(yè)震。研究得到國家自然科學基金科研經(jīng)費的支持。