物質科學 Physical science
 

       2021年6月16日，北京理工大學孫逢春院士團隊在Cell Press旗下期刊Joule發表了題為“Deep neural network battery charging curve prediction using 30 points collected in 10 min”的研究論文。該研究提出了一種應用深度神經網絡的充電曲線估計方法，為智能化電池管理的研發奠定了基礎。
 

       近年來，電池被廣泛用作便攜式電子設備、儲能系統和新能源汽車等眾多領域的核心能源材料器件，電池的實時健康監測和老化狀態管控也逐漸成為用戶關注的焦點。雖然目前已經有許多關于電池最大可用容量實時估計的研究工作，但僅關注最大可用容量往往無法及時、全面地認識電池老化的實際情況，進而導致電池管理、維護的疏忽誤判，留下安全隱患。

 

       北京理工大學孫逢春院士團隊先進儲能科學與應用課題組創新性地提出了一種應用深度神經網絡的充電曲線估計方法，通過使用少量充電數據片段作為深度神經網絡的輸入，實現了電池老化過程中的完整恒流充電曲線估計，不再止步于最大可用容量的估計，打破了傳統電池健康監測的局限性。文章中案例使用不到10分鐘內采集的30個數據點便可準確估計完整的恒流充電曲線。由于恒流充電是電池日常工作中的相對穩定工況，恒流充電曲線估計可以進一步確定電池最大可用容量/能量、剩余容量/能量、容量微分曲線等關鍵狀態。

 

       電池老化測試硬件昂貴、耗時長，導致管理算法開發具有較高的人力時間成本。作為電池管理核心算法，文章所提出的方法具有遷移學習的優勢，僅需要少量訓練數據便可快速適用于不同規格的電池和不同應用場景，并且能夠保持良好的充電曲線估計效果，有效降低了算法開發的試驗測試需求，縮短了開發用時。這項研究工作為智能化電池管理的研發奠定了基礎。

       作者專訪

 

       Cell Press細胞出版社公眾號特別邀請北京理工大學孫逢春院士團隊接受了專訪，請他圍繞該研究進行進一步詳細解讀。

 

       CellPress：DNN的算法適用于哪些電池？有沒有不適用的評估體系？為什么？

 

       孫逢春院士團隊：DNN是一種數據驅動的方法，該方法僅需要片段電池充電數據作為輸入，便可輸出完整的充電曲線。充電曲線可以用于評估電池老化軌跡和性能衰退過程，由于是一種應用數據驅動的方法，本質上不受限于電池材料、體系和類型，具有非常好的普適性。

 

       CellPress：這種預測模型的深度學習性體現在哪些方面？

 

       孫逢春院士團隊：本文所使用的深度神經網絡采用了一系列經典的卷積層、最大池化層、密集連接層等以實現從端對端的估計效果，是指直接使用未經特征提取的數據作為網絡的輸入即可達到滿意的估計效果。同時，模型能夠靈活地實現對向量的估計，因此可處理完整充電曲線的估計問題。此外，本文還探索了深度神經網絡的遷移學習性質，預訓練的網絡能夠經過微調適應不同的電池數據。

 

       CellPress：該模型對于分析電池老化機制有哪些作用？

 

       孫逢春院士團隊：該模型從數據片段入手實現完整充電曲線的重構，因此相比于對最大容量的估計，可以為電池老化機制分析提供更多有用的信息。例如，可以結合容量增量法、差分電壓法等利用曲線變化觀察峰、谷的變化實現電池老化機制的量化。

 

       另一方面，如果從電池老化機制出發進行回歸問題的設計或者網絡結構的優化，有望實現電池老化知識與數據驅動算法的融合，實現更可靠的電池老化機理分析以及關鍵狀態提取，這也是后續探索的一個方向。

 

       CellPress：該研究對于電池產業的發展有哪些幫助？應用于產業化還有多遠？

 

       孫逢春院士團隊：該研究有望應用于電池健康評估以及全壽命區間內電量、能量等關鍵狀態估計等方面。目前深度學習已滲透到日常生活各個方面，例如機器翻譯、自動駕駛等。深度學習算法與電池管理問題的碰撞也對電池管理系統的開發帶來了一些全新的思路。近年來，“云電池管理系統”、“電池數字孿生”等先進理念在行業內的逐步推動也為本文方法的落地應用提供了契機。后續我們將推動深度學習算法在電池管理產業中的應用。