北理工熊瑞EcoMat: 机器学习驱动基于单圈电池数据预测电压-容量曲线！

随着可充电电池的广泛部署，电池衰减预测已成为一个具有挑战性的问题。然而，由容量损失定义的电池寿命提供的电池衰减信息十分有限。

为此，北京理工大学熊瑞教授等人探索了基于序列到序列（seq2seq）模型的电池寿命电压-容量曲线的预测，并使用一个循环作为seq2seq模型的输入预测了数百个循环的锂离子电池的恒流（CC）电压-容量曲线。

其中，seq2seq模型是一种端到端的方法，无需特征提取即可将序列映射到序列。该模型结构可灵活地分别合并和输出多条电压-容量曲线，它由编码器和解码器组成且两者都包含长短期记忆（LSTM）单元。从s-a+1到s的共a个循环的电压-容量曲线叠加在一起形成编码器的输入序列，代表从电压上限到下限的容量。类似地，解码器也输出未来循环的堆叠电压-容量曲线作为预测结果。结果表明，基于包含45个电池的电池衰减数据集，所开发的模型能够准确预测当前周期前100、200、……和1000个循环的电压-容量曲线。甚至，单圈循环的数据足以做出准确的预测。

图1. 用于预测电压-容量曲线的seq2seq模型示意图

基于此，作者总结了这篇文章的主要贡献如下：

（1）该方法可使用当前循环数据同时预测数百个循环的电压-容量曲线。此外，该方法不易受到“拐点”的影响，这提供了更新电池管理策略或安排维护以响应预测后果的机会。

（2）该方法避免了复杂的特征工程，并且可灵活地结合不同数量的输入和输出周期。因此，它可以适应不同寿命和历史数据量的电池，从而洞察锂离子电池的寿命预测。

（3）该方法具有强大的衰减数据生成能力。仅使用当前单圈循环的数据就可以密集预测接下来300个循环周期内的电压-容量曲线，因此有望显著减少电池衰减测试的数量，并有利于其他数据驱动的诊断和预后方法的开发。

据作者所知，这也是第一项全面预测电池特性并突出深度学习方法在电池衰减预测方面的研究。

图2. 基于电池的单圈循环生成电压-容量曲线

Data-driven battery degradation prediction: Forecasting voltage-capacity curves using one-cycle data, EcoMat 2022. DOI: 10.1002/eom2.12213

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/2023/10/14/7bad9b19ee/

北理工熊瑞EcoMat: 机器学习驱动基于单圈电池数据预测电压-容量曲线！

相关推荐

发表回复