华科袁烨EES: 深度迁移学习实时个性化预测锂离子电池健康状态！

实时、个性化的锂离子电池健康管理，有利于提升终端用户的安全性。然而，由于不同的使用兴趣、动态的操作习惯和有限的历史数据，电池健康状态的个性化预测仍然具有挑战性。

在此，华中科技大学袁烨教授等人设计了一个可转移的深度网络，在任何感兴趣的循环中使用最近30个循环的部分循环数据以实现个性化、实时的锂离子电池健康状态预测。为此，作者构建了一个包含77个磷酸铁锂（LFP）/石墨电池的实验平台，其循环寿命为1100~2700次。电池经过不同的多阶段放电协议来近似使用变化，共获得146122次充放电循环，这是目前已知同类数据中最大的数据集。其中，设计的深度学习模型由一个卷积模块、一个循环模块和两个全连接模块组成。

此外，在迁移学习模型中设计了模型预训练和模型迁移2个阶段：

（1）模型预训练阶段利用输入特征曲线对深度学习模型进行预训练并标记训练电池的健康状态；

（2）模型迁移阶段旨在通过输入最近10个充放电周期（重采样后）的特征曲线，在任何新的放电协议的任何周期实现实时的个性化健康状态预测。

图1. 深度迁移学习方法示意图

结果显示，所有充放电周期下容量估计和剩余使用寿命（RUL）预测的平均测试误差分别为0.176%和8.72%。此外，作者还通过从另外两个数据集（分别具有不同的充放电条件和电池化学成分）中迁移电池衰减知识来预测本数据集中测试电池的健康状态。在另外两个任务中，容量估计和RUL预测的平均测试误差分别为0.328%（0.193%）和9.80%（9.9%）。

这说明了深度迁移学习框架根据个性化使用模式预测健康状况的有效性和普遍性，然而也存在一些局限性：首先，该方法未研究接近实际应用的随机充电过程。然后，该方法需要最近30个周期来预测电池的健康状态，但无法预测前几个周期的健康状态。此外，该方法非常依赖于最近循环周期中数据的质量。最后，该工作简化了实际应用中的操作条件，数据集中不包括放电深度和功率，因此仍需要进一步研究。

图2. 基于不同数量的稀疏输入周期的模型预测误差

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