编辑 | 白菜叶
电池在其整个生命周期内的实时板载状态监测和估计，对于电池供电设备的安全和持久运行是必不可少的。
卡内基梅隆大学（Carnegie Mellon University）和德克萨斯大学奥斯汀分校（The University of Texas at Austin）的研究人员，开发了一种利用短时间内收集的有限输入信息来预测整个恒流循环曲线的方法。
该团队总共收集了 10 066 条 LiNiO2 基电池在恒定倍率下的充电曲线。通过特征提取步骤和多元线性回归步骤的结合，该方法可以仅使用10%的充电曲线作为输入信息来准确预测整个电池充电曲线，误差<2%。该方法为实际应用中电池的快速车载健康状态监测评估铺平了道路。
该研究以「Battery Charge Curve Prediction via Feature Extraction and Supervised Machine Learning」为题，于 2023 年 7 月 2 日发布在《Advanced Science》。
锂离子电池（LIB）正在成为占主导地位的可充电电池，并广泛用于便携式电子设备和电动汽车（EV）。连接数百甚至数千个锂离子电池，为电动汽车提供充足的能量。
例如，特斯拉 Model 3 的标准续航版本搭载 2,976 个锂离子电池，排列为 96 组，每组 31 节电池，长续航版本则包含 4,416 个锂离子电池，排列为 96 组，每组 46 节电池。一颗电池的故障可能会迅速传播到整个电池组，从而引发电池系统故障，并可能导致冒烟、起火、爆炸等安全问题。
因此，需要准确监测电池的荷电状态（SOC）和剩余能量等状态以及健康状况等状态，以确保其可靠、安全使用。
来自卡内基梅隆大学和德克萨斯大学奥斯汀分校的研究团队设计了一种电池管理系统，可以对电池健康状况进行关键诊断。该模型着眼于两个关键的诊断：充电状态和健康状态。
从短期来看，查看充电状态可以让驾驶员知道他们是否有足够的电量到达目的地，而从长远来看，电池健康数据可以根据电池相对于新电池时的充电能力来确定是否需要更换电池。
图示：根据充电曲线的一部分预测电池的整个充电曲线的工作流程。（来源：论文）
卡内基梅隆大学机械工程副教授 Reeja Jayan 解释说，虽然电池管理系统已经存在于大多数电动汽车中，但有一些品质使这款新车型脱颖而出。
「我们有一个数据库，其中包含约 11,000 条通过实验收集的特定电池阴极化学物质的充电曲线。」Jayan 说， 「我们用它们来训练机器学习模型，以使用稀疏数据输入来预测完整的充电曲线。」
这项研究的独特性和实用性在于，这种基于机器学习的电池管理系统只需要最少的数据——仅电池充电曲线的 5%——并产生误差率为 2% 的充电预测。数据收集本身也简单得多，只需要大约 15 分钟的充电时间即可计算曲线并确定电池健康状况。
图示：使用无监督学习算法提取和重建电池充电曲线特征。（来源：论文）
这些信息甚至可以增量收集，因此即使充电中断，也不会破坏正在进行的分析。该模型具有如此令人印象深刻的准确率，可用于对完全不同的阴极化学进行预测。更新版本将减少数据驱动，而是将物理组件纳入电池充电曲线的计算中。
虽然实验室收集的数据集对于训练原始机器学习模型进行预测很有用，但该来源也有局限性，因为它无法帮助研究人员查明导致电池故障的具体因素。
「我们在研究中使用的充电曲线是在室温下以恒定的充电速率收集的。」Jayan 说，「但充电电流和温度在现实世界的电池应用中变化很大。收集和使用真实数据作为机器学习模型的输入将是改进模型的重要的下一步。」
使用环境因素来计算电池的充电和最终放电曲线，将超出人类所能产生的复杂程度。研究人员比较了人类专家和机器学习算法量化电池老化机制的能力。其中无监督学习算法在捕获量化电池老化机制所需的特征方面表现更好。与之前的研究只能以一个连续的电荷曲线段作为输入不同，该方法可以以多个独立的段作为输入，这将大大增加该方法的实际适用性。
「它使用无监督峰值识别算法来识别电池充电曲线中的特定特征。」Jayan 说， 「神经网络模型更进一步，了解为什么电池充电曲线的形状可能会发生变化——例如，如果一个颗粒破裂。曲线形状和各种电池退化机制之间的这种相关性对于预测未来电池的性能和安全性至关重要。」
该团队的系统不仅具有解释性和预测性，而且还可以转移到由不同阴极化学物质制成的电池上。虽然 LiCoO2 电池几十年来一直是黄金标准，但它也可能很昂贵。越来越多的制造商开始生产由其他材料制成的电池，因此拥有一个适用于它们的系统是有意义的。
该模型首先在 LiNiO2 阴极上进行测试，然后成功转移到 LiCoO2 阴极上。对于 LiNiO2 电池，该模型仅使用 10% 的曲线作为输入，即可实现整个充电曲线 2% 的预测误差；对于基于 LiCoO2 的电池，该模型仅使用 5% 的曲线作为输入，即可实现相同的精度。
在处理新兴电池材料时，准确评估电池健康状况对于缓解安全问题也很重要，因为它们的寿命和耐用性尚未得到如此广泛的研究，但它们可能会被依赖来适应越来越多的车辆。
该研究领域未来最有用的资源之一是从路上行驶的电动汽车电池中获取的数据。使用真实世界的数据和复杂的神经网络将使电池管理系统能够以更高的精度进行充电和放电预测，随着电动汽车变得越来越普遍，这将对电动汽车的维护方式产生连锁反应。
论文链接：https://onlinelibrary.wiley.com/doi/10.1002/advs.202301737
相关报道：https://techxplore.com/news/2023-08-portable-power-machine-battery-health.html
