實(shí)時(shí)、個(gè)性化的鋰離子電池健康管理，有利于提升終端用戶的安全性。然而，由于不同的使用興趣、動(dòng)態(tài)的操作習(xí)慣和有限的歷史數(shù)據(jù)，電池健康狀態(tài)的個(gè)性化預(yù)測(cè)仍然具有挑戰(zhàn)性。

在此，華中科技大學(xué)袁燁教授等人設(shè)計(jì)了一個(gè)可轉(zhuǎn)移的深度網(wǎng)絡(luò)，在任何感興趣的循環(huán)中使用最近30個(gè)循環(huán)的部分循環(huán)數(shù)據(jù)以實(shí)現(xiàn)個(gè)性化、實(shí)時(shí)的鋰離子電池健康狀態(tài)預(yù)測(cè)。為此，作者構(gòu)建了一個(gè)包含77個(gè)磷酸鐵鋰（LFP）/石墨電池的實(shí)驗(yàn)平臺(tái)，其循環(huán)壽命為1100~2700次。電池經(jīng)過(guò)不同的多階段放電協(xié)議來(lái)近似使用變化，共獲得146122次充放電循環(huán)，這是目前已知同類(lèi)數(shù)據(jù)中最大的數(shù)據(jù)集。其中，設(shè)計(jì)的深度學(xué)習(xí)模型由一個(gè)卷積模塊、一個(gè)循環(huán)模塊和兩個(gè)全連接模塊組成。

此外，在遷移學(xué)習(xí)模型中設(shè)計(jì)了模型預(yù)訓(xùn)練和模型遷移2個(gè)階段：

（1）模型預(yù)訓(xùn)練階段利用輸入特征曲線對(duì)深度學(xué)習(xí)模型進(jìn)行預(yù)訓(xùn)練并標(biāo)記訓(xùn)練電池的健康狀態(tài)；

（2）模型遷移階段旨在通過(guò)輸入最近10個(gè)充放電周期（重采樣后）的特征曲線，在任何新的放電協(xié)議的任何周期實(shí)現(xiàn)實(shí)時(shí)的個(gè)性化健康狀態(tài)預(yù)測(cè)。

圖1. 深度遷移學(xué)習(xí)方法示意圖

結(jié)果顯示，所有充放電周期下容量估計(jì)和剩余使用壽命（RUL）預(yù)測(cè)的平均測(cè)試誤差分別為0.176%和8.72%。此外，作者還通過(guò)從另外兩個(gè)數(shù)據(jù)集（分別具有不同的充放電條件和電池化學(xué)成分）中遷移電池衰減知識(shí)來(lái)預(yù)測(cè)本數(shù)據(jù)集中測(cè)試電池的健康狀態(tài)。在另外兩個(gè)任務(wù)中，容量估計(jì)和RUL預(yù)測(cè)的平均測(cè)試誤差分別為0.328%（0.193%）和9.80%（9.9%）。

這說(shuō)明了深度遷移學(xué)習(xí)框架根據(jù)個(gè)性化使用模式預(yù)測(cè)健康狀況的有效性和普遍性，然而也存在一些局限性：首先，該方法未研究接近實(shí)際應(yīng)用的隨機(jī)充電過(guò)程。然后，該方法需要最近30個(gè)周期來(lái)預(yù)測(cè)電池的健康狀態(tài)，但無(wú)法預(yù)測(cè)前幾個(gè)周期的健康狀態(tài)。此外，該方法非常依賴于最近循環(huán)周期中數(shù)據(jù)的質(zhì)量。最后，該工作簡(jiǎn)化了實(shí)際應(yīng)用中的操作條件，數(shù)據(jù)集中不包括放電深度和功率，因此仍需要進(jìn)一步研究。

圖2. 基于不同數(shù)量的稀疏輸入周期的模型預(yù)測(cè)誤差

Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning, Energy & Environmental Science 2022. DOI: 10.1039/D2EE01676A