近期，北京理工大學孫逢春院士團隊在Cell Press旗下期刊Joule發(fā)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(jīng)網(wǎng)絡的充電曲線估計方法，為智能化電池管理的研發(fā)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(tǒng)和新能源汽車等眾多領(lǐng)域的核心能源材料器件，電池的實時健康監(jiān)測和老化狀態(tài)管控也逐漸成為用戶關(guān)注的焦點。雖然目前已經(jīng)有許多關(guān)于電池最大可用容量實時估計的研究工作，但僅關(guān)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(chuàng)新性地提出了一種應用深度神經(jīng)網(wǎng)絡的充電曲線估計方法，通過使用少量充電數(shù)據(jù)片段作為深度神經(jīng)網(wǎng)絡的輸入，實現(xiàn)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(tǒng)電池健康監(jiān)測的局限性。文章中案例使用不到10分鐘內(nèi)采集的30個數(shù)據(jù)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(wěn)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(guān)鍵狀態(tài)。
電池老化測試硬件昂貴、耗時長，導致管理算法開發(fā)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(yōu)勢，僅需要少量訓練數(shù)據(jù)便可快速適用于不同規(guī)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(fā)的試驗測試需求，縮短了開發(fā)用時。這項研究工作為智能化電池管理的研發(fā)奠定了基礎。
▌論文標題：
Deep neural network battery charging curve prediction using 30 points collected in 10 min
▌論文網(wǎng)址：
https://www.cell.com/joule/fulltext/S2542-4351(21)00247-6
▌DOI：
https://doi.org/10.1016/j.joule.2021.05.012
文章部分來源：CellPress細胞科學
