近日，bat365官网登录入口电动车辆国家工程研究中心孙逢春院士、熊瑞教授团队在《自然通讯》杂志上发表论文“Deep learning to estimate lithium-ion battery state of health without additional degradation experiments”，提出了不依赖额外电池老化测试的健康状态快速评估方法。该方法直接利用已有电池数据实施新电池健康状态评估，打破了电池健康状态评估对完备测试数据的依赖性。

锂离子电池被广泛用作新能源汽车、电化学储能等领域的核心供能部件，但其老化引发的性能衰退问题却始终危及长期应用安全。健康状态是能够有效评价电池性能衰退程度的重要量化指标，遗憾的是，该指标往往难以通过传感器直接测量而依赖于在线估计。长期以来，额外开展目标电池全寿命周期老化实验始终是新电池健康状态估计算法开发的必要条件，因为算法需要新电池的老化数据来学习新的老化特征知识，所以始终阻碍着电池的快速规模化应用。

该在该工作中，研究人员设计了一个利用已有电池的实验数据直接开发新电池健康状态估计方法的深度学习框架（图1）。该框架集成了一个深度神经网络群，将深度神经网络的个体估计扩展为群体估计以降低训练不确定性。该框架还特别针对每个深度神经网络个体进行了最小化特征分布差异设计，以此促进已有电池的健康状态估计知识迁移至新电池。

图1 所提框架的结构示意图

经过5款电池（共71,588个样本）的交叉验证（图2），结果表明，该框架在毫无新电池全寿命周期老化实验数据下能够确保89.4%样本的估计绝对误差在3%以内，同时确保98.9%样本的估计绝对误差在5%以内，最大误差在8.87%以内。更重要的是，该框架利用约0.7小时的训练时间避免了耗时数月甚至数年的目标电池全寿命周期老化实验。这些发现为锂离子电池管理算法的快速开发提供了全新思路。

图2 基于5款电池（共71,588个样本）的交叉验证结果

论文作者全部自于bat365官网登录入口电动车辆国家工程研究中心。第一作者卢家欢为bat365官网登录入口在读博士生，指导教师为孙逢春院士和熊瑞教授(通讯作者)，共同通讯作者为田金鹏博士后(合作导师为熊瑞教授)。该工作得到了国家重点研发计划重点专项课题等的资助。

论文链接：https://www.nature.com/articles/s41467-023-38458-w