EnSM: 物理建模+机器学习实现锂电池的退化诊断

传统的锂离子电池健康状态（SOH）估计方法侧重于估计当前电池容量，无法提供足够的信息来确定电池的生命周期阶段或二次使用价值。量化导致容量衰减的潜在退化模式可进一步了解电池的电化学状态并提供更详细的健康信息，如剩余的活性材料和锂库存。然而，当前基于物理的退化诊断方法需要长期的循环数据，且在设备上部署的计算成本很高。

为了改进当前的方法，美国爱荷华州立大学胡超教授等人提出并广泛测试了两种基于物理的轻量级机器学习方法，用于在线估计电池容量并仅使用有限的早期实验退化数据诊断其三种主要退化模式（锂库存损失LLI、正/负极活性材料损失LAM_PE/LAM_NE）。

这两种方法都利用早期实验老化数据（<14个月）和来自基于物理模型的模拟数据来实现电池容量和退化模式的晚期寿命估计（2~4年），其不同之处在于如何利用廉价且现成的物理模拟数据：

1）方法1是一种数据增强方法，将早期实验老化和模拟数据组合成一个增强数据集，用于训练机器学习模型以估计三种退化模式的容量和状态；

2）方法2是一种增量学习方法，首先使用模拟数据训练一个估计器模型以估计三种退化模式的容量和状态。然后，使用早期实验老化数据训练的校正器模型对估计器模型的预测进行偏差校正。

图1. 用于SOH估计的建议基准、增强和增量学习方法

接下来，作者使用来自在两种温度和电流倍率下循环的16个可植入级锂离子电池的长期（3.5年）循环实验数据对所提出的方法进行了全面评估。四重交叉验证研究的结果表明，与纯粹的数据驱动方法相比，所提出的基于物理信息的机器学习模型能够将电池容量和三种主要退化模式状态的估计精度提高50% 以上。

本研究的结果表明，将基于物理的建模和数据驱动的机器学习相结合，可在电池管理系统中实现锂离子电池的快速、准确和自动化的在线退化诊断。此外，所提出的方法可以显著减少准确的后期退化估计所需的实验退化数据量，这意味着将减少在实验室环境中表征电池退化所需的费用、劳动力和时间，以便在电池的生命周期内进行在线退化诊断。

图2. 基于高退化模拟数据进行数据增强提高模型精度

Integrating physics-based modeling and machine learning for degradation diagnostics of lithium-ion batteries, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.05.047

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/2023/10/09/031a30964f/

EnSM: 物理建模+机器学习实现锂电池的退化诊断

相关推荐