基于部分充电曲线的商业钠离子电池深度学习状态估计：多温度老化数据集的验证

这篇研究通过整合神经常微分方程（Neural ODE）和二维卷积神经网络（2D CNN），提出了一种仅需部分充电曲线即可同步预测钠离子电池（SIBs）荷电状态（SOC）、容量和健康状态（SOH）的创新框架。实验采集了53个单电池和2个模块在4种温度下的老化数据，模型对SOC和SOH的预测精度分别达到R2=0.998和0.997，并展现出对未训练温度及模块数据的泛化能力，为钠电池管理系统提供了高精度、可扩展的解决方案。

　　

Highlight

本研究开发了一种基于卷积神经网络（CNN）和神经常微分方程（Neural ODE）的框架，仅利用部分充电曲线即可同步预测钠离子电池的荷电状态（SOC）、容量和健康状态（SOH）。充电曲线被分割为等长片段输入网络以学习SOC，而容量和SOH的预测则通过聚合同一循环中的片段特征并结合温度嵌入模块实现。该模型在单电池测试中表现出色（SOC的R²=0.998，SOH的R²=0.997），并能泛化至训练集外温度及不同容量的电池模块。

Results and discussion

如表1所示，53个单电池在4种温度下测试。为评估模型对未知温度的预测能力，我们保留35°C（3个电池）作为测试集，其余温度（0°C、25°C和45°C，50个电池）用于训练。每个电池的循环数据按70:10:20划分为训练、验证和测试集。结果表明，模型不仅能准确预测单电池状态，还可迁移至模块级应用。

Conclusion

本工作通过创新的深度学习框架解决了钠离子电池多目标状态预测的难题。分段充电曲线处理和温度嵌入设计显著提升了模型的准确性与泛化性，为商业钠电池系统的实时监控和寿命管理提供了可靠工具。