作为我国“碳达峰碳中和”战略布局和世界范围内温室气体“净零排放”（net-zero emissions）长远目标的重要支撑，储能技术的作用日益凸显。锂离子电池作为当前应用最为广泛的储能技术之一，在使用过程中不可避免地会发生老化和退化，导致其性能下降、安全风险升高。因此，精确估计并精准预测其健康状态（SOH）成为提高锂离子电池系统安全性和经济性的关键技术。同时，如何在锂离子电池退化的早期阶段精准预测其寿命，对于锂离子电池的研发及应用具有重要意义。然而，由于锂离子电池的老化和退化机制十分复杂，且在早期阶段缺乏明显的退化特征，目前的健康状态估计和早期寿命预测算法仍存在精度较低、泛化能力较差等问题。
近日，上海科技大学信息科学与技术学院智慧电气科学中心（CiPES）杨恒昭教授课题组（储能实验室）在锂离子电池健康状态估计和寿命预测领域取得两项研究进展。相关研究成果以上海科技大学为第一完成单位分别发表于储能领域国际期刊Journal of Energy Storage和电力电子领域国际期刊IEEE Transactions on Power Electronics。
基于里程修正的电动客车容量轨迹预测框架
杨恒昭课题组基于新能源汽车国家大数据联盟提供的200辆电动客车在2019年全年的实际运行数据，提出了一种锂离子电池容量轨迹预测框架。该框架提出了一种考虑车辆行驶里程的电池容量修正方法，在传统的安时积分方法中引入了行驶里程，利用XGBoost模型对放电片段对应的放电容量进行了更为精确的估计。在此基础上，提取了9个与电池状态和车辆行驶行为紧密相关的特征，并构建了基于双向长短期记忆网络（BiLSTM）的序列到序列（Seq2Seq）电池容量轨迹预测框架。使用该框架对两款（Model A和Model B）共12辆电动客车（#1-#12）在两种行驶场景下（Scenario 1和Scenario 2）的电池容量轨迹进行了预测。结果显示最大平均绝对误差（MAE）不超过0.78%，最大均方根误差（RMSE）不超过0.94%（两项误差均为容量预测误差除以额定容量得到的相对误差），验证了该框架在电池容量估计和预测方面的有效性。
图1. 基于里程修正的电池容量估计方法
图2. 电池容量轨迹预测框架
图3. 电池容量轨迹预测误差
该成果以“A Battery Capacity Trajectory Prediction Framework with Mileage Correction for Electric Buses”为题发表于Journal of Energy Storage。信息学院2023级硕士研究生徐艺菲为第一作者，杨恒昭教授为通讯作者。
论文链接：https://doi.org/10.1016/j.est.2025.115301
基于图像化单循环数据的锂离子电池超早期寿命预测
针对锂离子电池的超早期寿命预测问题，杨恒昭课题组提出了一种基于图像化单循环数据的寿命预测框架。该框架提出了一种图像构建方法，使用滑动窗口将原始的时序数据划分成N个子序列，然后利用任意两个子序列之间的欧几里得距离衡量它们之间的相关性，从而构建出N×N图像。这一方法将原始时序数据转换为图像数据，提升了卷积神经网络（CNN）从单循环数据中挖掘隐藏信息的能力，显著提高了模型的泛化能力。在此基础上，将电压、电流和容量数据转换为图像数据，进而合并为三通道图像并将该图像输入至具有特定结构的AlexNet模型，实现了锂离子电池的超早期寿命预测。使用公开电池数据集（共124个电池）对该框架进行了验证，结果显示均方根误差（RMSE）仅76.81个循环，平均绝对百分比误差（MAPE）不超过7.05%，决定系数（R2）达0.9178，证明了该框架在电池超早期寿命预测方面的有效性。
图4. 锂离子电池超早期寿命预测框架
图5. 所提出的方法（“Full” model）与基于特征的方法结果对比：（a）RMSE；（b）MAPE；（c）R2
图6. 所提出的方法（“Full” model）与无特征的方法结果对比：（a）RMSE；（b）MAPE；（c）R2
该成果以“Ultra-Early Prediction of Lithium-ion Battery Cycle Life Based on Visualized Single-Cycle Data”为题发表于IEEE Transactions on Power Electronics。信息学院2022级硕士研究生杨文进为第一作者，杨恒昭教授为通讯作者。上海空间电源研究所总研究师解晶莹和上海航天电源技术有限责任公司工程师闵凡奇参与了研究工作。
沪公网安备 31011502006855号