锂离子电池凭借其优异性能已被广泛应用于电动车辆、移动机器人、可穿戴设备、储能场站等场景。在电池使用过程中，不可避免出现的非线性、强时变的容量衰减严重影响着电池性能。为确保电池工作的安全性和可靠性，快速准确的容量估计至关重要。然而，由于电池化学、充电模式、工作温度以及用户习惯的变化，实现真实世界条件下快速、准确、稳健的在线容量估计充满挑战。

针对上述问题，机械工程学院梅雪松、徐俊教授团队提出了一种基于单电压特征高斯过程回归（GPR）的数据驱动方法，可在3分钟内实现锂离子电池变温、非恒流充电快速容量估计。该工作首次通过实验生成了基于非恒流充电协议的电池老化数据集，针对非恒流充电开发了可在3分钟内收集的高质量健康特征，结合GPR实现了快速容量估计。该方法的平均容量估计误差仅为0.65%，其精度相比传统方法提高了60%以上。同时，该工作提出了一种基于早期数据线性变换的温度迁移策略，可将25℃建立的模型低误差（误差降低30%以上）迁移至其他温度条件（如10℃和40℃）。该工作为实现非恒流、全温域的锂电池容量估计提供了新的解决方案。

图1.数据驱动的锂离子电池变温、非恒流充电快速容量估计方法

同时，部分充电曲线结合机器学习（ML）估计电池容量已取得了可观进展。然而，由于分散的现有研究，这些方法缺乏清晰的分类、公平的比较以及性能的合理化。在此背景下，梅雪松/徐俊教授团队从充电序列构建、输入形式和ML模型三个角度开发了20种容量估计方法用于对比研究，从44块具有不同电池化学和工作条件的电池中生成了22582条充电曲线用于交叉验证。通过全面公平的比较，基于等距时间电压序列的长短期记忆（LSTM）神经网络表现出最佳的准确性和鲁棒性。在6503个测试样本中，使用LSTM估计的容量的平均误差为0.61%，最大误差仅为3.94%。即使增加3mV电压噪声或将采样间隔延长至60秒，平均误差仍然低于2%。同时，该工作证明了两种充电序列通过描述增量容量和差分电压曲线的单位面积变化来表征电池退化，从物理角度增强了数据驱动方法的推广信心。这项工作为基于部分充电曲线估计电池容量的数据驱动方法提供了深刻的洞察和有价值的指导。

图2.基于部分充电曲线的数据驱动电池容量估计的对比研究

近日，上述研究工作分别以“非恒流充电和变温条件下数据驱动的电池容量快速估计方法”（A fast data-driven battery capacity estimation method under non-constant current charging and variable temperature）和“基于部分充电曲线的数据驱动电池容量估计的对比研究”（A comparative study of data-driven battery capacity estimation based on partial charging curves）为题发表于储能领域权威期刊《储能材料》（Energy Storage Materials）和《能源化学》（Journal of Energy Chemistry）。为唯一通讯单位，论文第一作者为博士生林川平，通讯作者为徐俊教授。该工作由国家自然科学基金(No.52075420)、国家重点研发计划重点专项项目(No.2020YFB1708400)支持。

论文链接：

https://www.sciencedirect.com/science/article/pii/S2405829723003458

https://www.sciencedirect.com/science/article/abs/pii/S2095495623005405

梅雪松教授团队主页：https://gr.xjtu.edu.cn/en/web/xsmei

徐俊教授团队主页：https://gr.xjtu.edu.cn/web/xujunx