作為我國“碳達峰碳中和”戰略布局和世界范圍內溫室氣體“凈零排放”(net-zero emissions)長遠目標的重要支撐，儲能技術的作用日益凸顯。鋰離子電池作為當前應用最為廣泛的儲能技術之一，在使用過程中不可避免地會發生老化和退化，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(SOH)成為提高鋰離子電池系統安全性和經濟性的關鍵技術。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及應用具有重要意義。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估計和壽命預測領域取得兩項研究進展。相關研究成果以上海科技大學為第一完成單位分別發表于儲能領域國際期刊Journal of Energy Storage和電力電子領域國際期刊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據聯盟提供的200輛電動客車在2019年全年的實際運行數據，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的放電容量進行了更為精確的估計。在此基礎上，提取了9個與電池狀態和車輛行駛行為緊密相關的特征，并構建了基于雙向長短期記憶網絡(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。
 

　　基于圖像化單循環數據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數據的壽命預測框架。該框架提出了一種圖像構建方法，使用滑動窗口將原始的時序數據劃分成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性，從而構建出N×N圖像。這一方法將原始時序數據轉換為圖像數據，提升了卷積神經網絡(CNN)從單循環數據中挖掘隱藏信息的能力，顯著提高了模型的泛化能力。在此基礎上，將電壓、電流和容量數據轉換為圖像數據，進而合并為三通道圖像并將該圖像輸入至具有特定結構的AlexNet模型，實現了鋰離子電池的超早期壽命預測。使用公開電池數據集(共124個電池)對該框架進行了驗證，結果顯示均方根誤差(RMSE)僅76.81個循環，平均絕對百分比誤差(MAPE)不超過7.05%，決定系數(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有限責任公司工程師閔凡奇參與了研究工作。