《Energy Storage Materials》:Towards sustainable battery management: Developing battery health estimation models from only incomplete charging curve
编辑推荐:
准确估算锂离子电池等储能装置的退化状态对于实现碳中和目标至关重要。尽管机器学习在该领域已取得进展,但仍存在一个长期被忽视的挑战——传统模型训练需要由完整充电曲线构成的高质量退化数据,而获取此类数据需开展大量电池老化测试,耗费巨大资源且对环境不友好。本文提出电池
准确估算锂离子电池等储能装置的退化状态对于实现碳中和目标至关重要。尽管机器学习在该领域已取得进展,但仍存在一个长期被忽视的挑战——传统模型训练需要由完整充电曲线构成的高质量退化数据,而获取此类数据需开展大量电池老化测试,耗费巨大资源且对环境不友好。本文提出电池老化无标签训练(Battery Ageing Tag-free Training, BATT)新方法,可仅利用日常电池运行中普遍存在的不完整充电曲线训练退化模型。BATT采用自监督(self-supervised)策略提取退化知识,无需手动标注的健康状态(SOH, State of Health)标签,从而大幅降低实验与环境成本。研究在4个不同商用锂离子电池退化数据集(共84只电池,超26,000个老化循环,多种工况)上验证BATT。对比传统方法在缺失完整充电曲线SOH标签时无法工作的情况,BATT预测精度较高:仅使用覆盖全电压范围2/3的不完整充电曲线训练,在0.74 Ah、3.5 Ah、2.0 Ah和2.5 Ah电池的最大容量估计中,均方根误差(RMSE, Root Mean Squared Error)分别低于6.5 mAh、6.3 mAh、16.9 mAh和6.9 mAh。该方法充分利用运行系统中既有数据,免除数千日的电池老化实验,为更可持续、可扩展的电池管理提供可行路径。
本文原载于《Energy Storage Materials》,研究对象为锂离子动力电池与储能电池的健康状态(State of Health, SOH)估计问题。当前主流机器学习SOH估计方法需以完整充电曲线(从下限电压充至上限电压)提取SOH标签及输入片段进行有监督训练,而实车或现场运行中电池极少经历完整充放电,导致海量现场不完整充电片段因无SOH标签而无法用于训练;实验室获取含不同老化程度完整充电曲线的老化数据集又需数月到数年持续循环,能耗大、成本高,且易因工况单一引起过拟合,难以泛化。针对这一"训练数据需求严苛"与"现场无标签不完整数据闲置"的矛盾,研究人员提出电池老化无标签训练(Battery Ageing Tag-free Training, BATT)框架,仅以无SOH标签的不完整充电曲线为训练集,通过自监督与知识监督相结合的方式使模型学习短期电池特性变化与长期退化信息,训练后可由短时充电片段迭代预测完整充电曲线并从中提取SOH、荷电状态(State of Charge, SOC)及增量容量(Incremental Capacity, IC)曲线等,从而在免除长期老化实验的前提下实现高精度SOH估计,并盘活既有现场数据价值。
关键技术方法
研究人员选用4组来自不同实验室、涵盖不同电化学体系、标称容量、电流制度及环境温度的电池退化数据集(总计84只商用锂离子电池,超26,000个老化循环)进行验证,数据集按训练集与测试集划分。BATT模型以一段不完整恒流充电电压—时间或电流序列为输入,采用带有门控机制的可选长短期记忆网络(Long Short-Term Memory, LSTM)或门控循环单元(Gated Recurrent Unit, GRU)作为主干循环神经网络(Recurrent Neural Network, RNN)层提取时序特征,后接三个全连接回归头分别预测输入片段两端邻近电压处的累积容量(向高、低压端外推容量)及IC峰值高度。训练时不依赖任何SOH标签:①局部容量计算——直接从输入充电段自身通过电流对时间积分得到相邻电压端容量真值作为自监督目标,使模型学习电池短时电压—容量映射特性;②老化指标知识监督——引入可反映长期老化的退化指示量参与损失函数,引导模型捕获长期退化趋势。训练完成后,模型以实测短充电段为种子迭代预测完整恒流充电曲线,再对预测曲线积分求最大容量(即SOH),亦可进一步差分得到IC曲线用于老化机理分析。对照实验另建立同结构的传统有监督卷积神经网络(Convolutional Neural Network, CNN)及LSTM模型,以不同比例完整充电曲线配SOH标签训练作对比。
Battery degradation data
研究人员系统采集并整理了前述4个独立电池老化数据集,明确各数据集的电池化学体系、标称容量、充放电制度及环境温度差异,确保验证结论具备跨电池类型与工况的普适性,并详细说明训练集与测试集划分原则。
Conclusions / 研究结论
研究人员指出,现有电池健康估计方法依赖高质量完整充电曲线训练数据,获取成本高昂且现场无SOH标签数据无法利用。所提BATT方法可仅基于普遍存在的无标签不完整充电曲线训练退化模型:在四个数据集上无需任何完整充电曲线参与训练,模型预测完整充电曲线的均方根误差(RMSE)在0.74 Ah标称容量电池上低于15 mAh(小于标称容量的2%),最大容量估计RMSE分别低于6.5 mAh、6.3 mAh、16.9 mAh和6.9 mAh;模型对不同规模训练数据及不同长度输入充电片段均有良好适应性。BATT不仅免除跨老化程度的长期电池实验,还可由短时充电段重构完整充电曲线,进而提取SOH、SOC及IC曲线等多维状态信息。该方法证明可从海量无标签现场充电数据中挖掘退化知识,为替代耗时老化实验、构建可持续可扩展的电池管理系统提供了新的自监督学习范式。
讨论总结(结论译文)
目前的电池健康估计方法侧重于利用高质量退化数据开发机器学习模型,其训练数据获取需耗费数月甚至数年实验周期,且大量现场数据因不含SOH标签无法纳入现有训练框架。本文提出的电池老化无标签训练(BATT)方法有效地仅利用 ubiquitous(普遍存在的)不完整充电曲线训练电池退化模型……(上文结论部分已完整总结,此处不再重复添加原文未述推断)。该研究证实仅依靠无标签部分充电数据即可训练具备完整充电曲线重构与SOH估计能力的模型,对未来基于现场大数据开展电池健康管理具有重要推广意义。