李巨/熊瑞EnSM: 深度学习基于不确定的未来条件实现电池衰减预测

准确的衰减轨迹和未来寿命是新一代智能电池和电化学储能系统的关键信息，仅使用少数已知的历史数据来获得针对不确定应用条件的准确预测是非常具有挑战性的。

在此，北京理工大学熊瑞教授、美国麻省理工学院李巨教授等人开发了一个以循环神经网络（RNN）为核心的通用深度学习框架，从而将广泛研究的剩余使用寿命（RUL）预测扩展到固定和随机未来运行条件下的充放电容量轨迹的预测。

首先，作者基于77个商用锂离子电池实验获得了涵盖固定和随机运行条件的大型电池衰减数据集（https://data.mendeley.com/datasets/kw34hhw7xg/2），所有这些电池都循环到各自的寿命终止（EOL）。这也是第一个电池衰减数据集，可适应每个电池的巨大变化的工作负载。

然后，作者通过整合未来的当前计划和少量早期容量电压数据作为输入来预测固定和随机未来运行条件下的电池容量衰减轨迹。其中，该深度学习框架由四个过程组成：输入矩阵、RNN层（核心层）、全连接（FC）层和输出层。

图1. 该框架与现有方法在固定和随机条件下的容量预测比较

结果表明，仅使用3.8% 的全寿命数据，NMC/石墨电池的中值预测RMSE在 2.4%以内，LFP/石墨电池的中值预测RMSE在2.3% 以内。与现有方法相比，所提出的深度学习框架预测更准确，且在固定和随机未来条件下都具有令人满意的性能。

尽管如此，该研究仍可在未来得到改进：首先，所提出的框架不限制输入特征维度，因此可探索框架以应用于更通用的随机策略，如温度、放电深度或其他导致衰减的因素；其次，所提出的框架应通过一些实验数据进行训练，因此可进一步探索这种通用框架在迁移学习中的潜力；

最后，可探索提出的框架以应用于大数据，引入涵盖历史真实世界数据分布的大数据可能会导致更正确和有效的学习。总之，该研究提出的框架有望帮助电池快速开发和定制电池管理软件以延长电池寿命，并有助于对电池组中的许多电池单元进行智能控制。

图2. 该框架基于LFP/石墨电池的容量衰减预测性能

Battery degradation prediction against uncertain future conditions with recurrent neural network enabled deep learning, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.05.007

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/10/8b7d23fa20/

李巨/熊瑞EnSM: 深度学习基于不确定的未来条件实现电池衰减预测

相关推荐

发表回复