上海理工大学Journal of Energy Storage提升锂电池早期寿命预测精度的新思路 --本文共计约1954字，阅读时间约6分钟-- Comments 这篇论文用了一个聪明的办法：不直接预测电池还能用多久，而是先预测电池老化曲线上的“拐点”和斜率，再用几何方法推算出剩余寿命。这样一来，即使只有前几个循环的数据，也能高精度预测电池寿命。 Dr. Xin 当前锂电池寿命预测大多依赖大量老化数据或复杂电化学模型，早期预测精度普遍不高。本文另辟蹊径，从“输出端”入手，将预测目标从用户定义的寿命终点转为具有明确物理意义的几何特征，不仅提升了早期预测能力，还增强了模型对不同电池和应用的适应性，为数据驱动方法在电池健康管理中的实用化提供了新思路。 摘要 本文提出了一种基于卷积神经网络与几何构造的锂离子电池剩余使用寿命早期预测方法。该方法将网络输出设定为老化轨迹的拐点容量和两段斜率，通过几何构造推算出寿命终点，从而在仅使用前3个循环数据的情况下，在180节商用电池数据集上实现了4.32%的典型预测误差，并展现出良好的泛化能力和模型适应性。 引言 研究背景: 锂离子电池广泛应用于电化学储能和电动汽车领域，其容量随使用不断衰减。当容量降至初始值的80%时，电池通常被视为寿命终止。准确预测剩余使用寿命对保障安全和降低用户焦虑至关重要。现有方法主要包括基于经验模型和数据驱动的算法，但前者依赖对老化机制的清晰理解，后者则多聚焦于输入特征和网络结构优化，而忽略了输出构建的重要性。 本文贡献: •贡献一：提出了一种基于几何输出构造的CNN-GC方法，将预测目标从RUL转为拐点容量和斜率，提升了早期预测精度。 •贡献二：在公开数据集上验证了该方法仅需前3个循环数据即可实现高精度预测，并在训练集与测试集差异较大时仍保持稳健。 •贡献三：证明了所提输出优化策略可无缝集成到其他现有数据驱动框架中，无需额外调参即可提升预测性能，凸显了输出模式构建的普适价值。 实验设计 实验对象: 实验使用了两个公开数据集。Dataset 1包含180节商用18650电池，正极为LiNi0.8Co0.1Mn0.1O2，在3C倍率下进行加速老化测试，寿命范围60-90循环。Dataset 2包含124节磷酸铁锂/石墨电池，在72种快充协议下循环至寿命终止，寿命范围150-2300循环。 测试条件: 电池在受控环境下进行充放电循环测试，记录容量和电压数据。早期预测阶段仅使用前3个循环的充电段数据。 研究方法 核心思路/总体框架: 通过CNN模型从早期循环的容量-电压曲线中提取特征，预测老化轨迹的拐点容量和两段斜率，再基于两阶段衰减模型（初始缓慢衰减和拐点后加速衰减）的几何关系，构造出完整的退化轨迹并推算出RUL。 关键模型/理论基础: 采用卷积神经网络作为特征映射工具。输入为前3个循环的容量和电压序列构成的2x20x2三维矩阵。网络输出为拐点容量和两段斜率。拐点通过Savitzky-Golay滤波平滑老化曲线后，使用粒子群优化算法拟合两段直线并寻找最优交点来确定。最终RUL通过几何构造法计算得出。 结果与讨论 图表核心内容 Figure 2 & 4: 图示了拐点识别过程和基于几何构造的RUL预测原理。说明了该方法通过拟合老化轨迹的几何特征来间接推算寿命。 Table 2 & 3: 展示了所提方法在典型测试和泛化测试中的预测误差。证明了该方法在MAPE和RMSE指标上均显著优于直接预测Cyceol的基准方法。 Figure 6 & 8: 分别展示了最佳和最差预测案例。表明该方法在多数情况下预测轨迹与真实轨迹吻合良好，即使在困难案例中也保持合理趋势。 主要发现 : 1） CNN-GC方法在仅使用前3个循环数据时，在Dataset 1上达到4.33%的MAPE；2） 当训练集与测试集电池寿命分布差异大时，仍能保持5.99%的MAPE，泛化能力强；3） 将该几何构造输出模式应用于MIT数据集上的GPR模型，可直接提升准确率约1.8%。 作者的解读:作者认为性能提升源于输出目标的改变。拐点和斜率是具有明确电化学意义的物理量（如与正极阻抗加速增长或电解液耗尽相关），对用户定义的EoL容量不敏感，因此模型学到的关系更稳定，泛化能力更强。 结论 核心结论:本研究证实，在数据驱动的电池RUL预测中，优化网络输出模式，将其构建为对寿命终点不敏感、具有明确物理意义的几何特征，能有效提升预测精度和模型的泛化能力，是弥补当前研究集中于输入和结构优化这一空白的重要进展。 展望 可以改进的地方: 该方法依赖于电池老化轨迹中存在明显的拐点，对于无拐点或退化模式异常的电池，预测性能可能下降。此外，模型的可解释性仍有不足。 下一步的方向: 未来可探索引入可解释的数据驱动模型来揭示隐藏的退化机制，并研究如何将该方法适配到无拐点或具有复杂退化模式的电池上，以增强模型的普适性和鲁棒性。 文献详细信息 原文标题: Early-stage remaining useful life prediction for lithium-ion batteries based on geometric output construction 发表日期: 2025年2月 期刊/来源: Journal of Energy Storage 作者姓名: Xin Lai, Linglong Qian, Xiaopeng Tang, Yuejiu Zheng, Jiajun Zhu, Tao Sun, Kai Shen, Jiahuan Lu 作者机构: 上海理工大学机械工程学院；香港岭南大学理学院；华南农业大学工程学院 DOI链接: https://doi.org/10.1016/j.est.2025.115792
上海理工大学Journal of Energy Storage提升锂电池早期寿命预测精度的新思路
本文来自投稿，不代表本站立场，如若转载，请注明出处：https://blog.firsource.cn/litalkbattery/1638.html