工業(yè)工程與管理系潘爾順教授、陳震副教授課題組提出一種電池健康狀態(tài)評估方法，能夠精確捕捉電池退化情況并應用于電化學儲能系統(tǒng)中。近日，該課題組在Cell Press旗下期刊Cell Reports Physical Science上發(fā)表了題為“Battery health prognosis in data-deficient practical scenarios via reconstructed voltage-based machine learning”的研究論文，提出面向儲能電站不完整數(shù)據(jù)場景的電池健康狀態(tài)預測方法，博士生吳偉為論文第一作者，陳震副教授、潘爾順教授為共同通訊作者，夏唐斌教授、東華大學周笛副教授為論文共同作者。
鋰離子電池儲能電站實際運行中，電池管理系統(tǒng)（BMS）采集的循環(huán)充放電數(shù)據(jù)存在顯著不完整與碎片化特征，導致數(shù)據(jù)驅(qū)動的健康狀態(tài)（SOH）預測面臨雙重挑戰(zhàn)。一方面，對比實驗室標準循環(huán)（電壓范圍2.0-3.6V），安全協(xié)議約束下的實際非滿充滿放循環(huán)（電壓范圍3.0-3.4V）數(shù)據(jù)不完整，使得基于理想充放電數(shù)據(jù)的健康特征提取方法失效，且動態(tài)工況下監(jiān)測容量與實際容量易產(chǎn)生系統(tǒng)性偏差。另一方面，受運營成本和數(shù)據(jù)存儲成本限制，全生命周期連續(xù)退化數(shù)據(jù)難以獲取，而基于隨機的碎片化數(shù)據(jù)進行外推建模，會加劇預測的不確定性。這些數(shù)據(jù)缺陷與工況動態(tài)特性，嚴重制約了現(xiàn)有預測技術(shù)在工程應用中的泛化能力。
論文提出了一種基于電壓曲線重構(gòu)與機器學習的電池健康狀態(tài)評估方法。通過深入分析現(xiàn)有方法在多變工況和監(jiān)測數(shù)據(jù)不完整場景下的局限性，開發(fā)出一種基于放電電壓重構(gòu)曲線，實現(xiàn)電池容量數(shù)據(jù)增強和健康狀態(tài)預測的框架。基于儲能電站實測工況，該研究在電池測試實驗室生成了四種不同工作條件下的電池老化循環(huán)數(shù)據(jù)集。研究提出的方法在該數(shù)據(jù)上的測試結(jié)果表明，放電電壓重構(gòu)模型能有效擬合完整的放電曲線，并支持基于物理信息的健康特征提取，而機器學習模型能有效處理小樣本下的隨機碎片化數(shù)據(jù)，并能快速訓練和適應不同的序列預測任務。該方法能夠根據(jù)多層級的不完整電池循環(huán)數(shù)據(jù)精確捕捉電池退化情況，還能廣泛應用于電化學儲能系統(tǒng)及儲能電站健康管理系統(tǒng)中。
研究工作得到了國家自然科學基金等項目的資助。
論文鏈接：
https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00041-4
學院OA系統(tǒng)
jAccount登錄
ENGLISH
地址：上海市東川路800號上海交通大學閔行校區(qū)機械與動力工程學院
郵編：200240
Email：sjtume@sjtu.edu.cn