基于深度学习与迁移学习的锂离子电池电极级退化精准诊断

《Next Energy》:Deep learning and transfer learning for accurate electrode-level degradation diagnosis in lithium-ion batteries

【字体: 大 中 小 】 时间:2026年05月21日 来源:Next Energy CS1.3

编辑推荐:

  作为电动汽车和储能系统的核心组件,锂离子电池需要精确的性能退化诊断以确保其安全可靠运行。传统的健康状态(State-of-Health, SOH)评估方法主要依赖于容量衰减和电阻增加(Resistance Increase, RI)等宏观指标,无法揭示复杂的电

  
作为电动汽车和储能系统的核心组件,锂离子电池需要精确的性能退化诊断以确保其安全可靠运行。传统的健康状态(State-of-Health, SOH)评估方法主要依赖于容量衰减和电阻增加(Resistance Increase, RI)等宏观指标,无法揭示复杂的电极级退化机制。本研究提出了一种基于深度学习与迁移学习(Transfer Learning, TL)的新型框架,用于在电极层面对电池退化模式(Degradation Modes, DMs)进行精确定量。该方法采用并行多分支卷积神经网络(Convolutional Neural Network, CNN)架构,利用不同的卷积核尺寸同时从低倍率放电电压曲线中提取局部和全局特征,消除了对人工特征工程的依赖。该模型量化了 4 种关键退化机制:锂库存损失(Loss of Lithium Inventory, LLI)、负极活性物质损失(Loss of Active Material in Delithiated Negative Electrode, LAMdeNE)、正极活性物质损失(Loss of Active Material in Delithiated Positive Electrode, LAMdePE)以及 RI。基于 26,521 条镍锰钴(NMC)电池低倍率放电电压曲线的训练表明,该模型具有高预测精度,所有 DMs 的平均绝对误差(Mean Absolute Error, MAE)均低于 2.4%,其中 LLI 的 MAE 为 1.8%。TL 技术进一步使模型能够适应镍钴铝(NCA)和磷酸铁锂(LFP)电池化学体系,确保了泛化能力。这项工作为电池管理系统提供了一种准确且通用的退化诊断工具,有助于在电池全生命周期内实现精确的健康监测和预测性维护。
锂离子电池(LIBs)因其高能量密度和长循环寿命,已广泛应用于电子设备、电动汽车及储能系统中。准确的容量估算对于确保电池安全可靠运行至关重要。当前研究主要集中在利用基于物理模型或数据驱动方法预测电池寿命及状态。然而,电池老化不仅涉及容量衰减和电阻增加(RI),还包括复杂的电极级副反应,如锂库存损失(LLI)、脱锂态正极活性物质损失(LAMdePE)以及脱锂态负极活性物质损失(LAMdeNE)。LLI 指电池中活性锂离子的不可逆损失,主要由消耗锂离子且使其无法再嵌入/脱出的副反应(如固体电解质界面膜 [SEI]/正极电解质界面膜 [CEI] 生长、析锂)引起。LAMdePE 指正极(PE)在脱锂状态下电化学活性物质的不可逆减少,通常由颗粒破裂、结构衰变或活性物质隔离导致。类似于 LAMdePE,LAMdeNE 指负极(NE)在脱锂状态下的活性物质损失,常由快速嵌锂引起的应力或集流体剥离诱导。RI 是一种动力学退化特征,表现为电池内阻增加,源于 SEI/CEI 膜增厚、电解液分解或电极与集流体间接触电阻增长。传统诊断方法虽有效,但存在计算效率低或依赖特定实验条件的问题。值得注意的是,LIBs 表现出多种退化机制组合,相似的容量衰减曲线可能源于根本不同的退化路径,这凸显了健康诊断从电池级向电极级分析的必要性。因此,退化模式(DMs)的定量分析已成为电池老化研究的关键前沿。

针对上述挑战,研究人员开发了一种集成深度学习与迁移学习(TL)的框架,旨在实现电极级容量退化模式的定量预测与识别。该研究利用 TL 技术,使所提方法能有效适应不同电池化学体系。研究结果表明,所提出的并行多分支 CNN 架构能够通过自动特征学习,有效克服传统方法依赖人工特征工程的局限性。模型可从现成的开路电压(OCV)曲线中自动提取多尺度退化特征,实现 LLI、LAMdeNE、LAMdePE 和 RI 四种退化模式的同时定量,诊断效率显著提升。实验结果显示,所有 DMs 的预测误差均控制在工程可接受范围内(MAE < 2.4%,平均绝对百分比误差 [MAPE] < 5%),其中 LLI 预测精度最高。此外,通过创新应用 TL 技术,在 NMC 电池上训练的模型可扩展至 NCA 和 LFP 电池系统。分析表明,对于电化学特性相似的 NCA 电池,仅需微调特征映射层即可实现高精度预测;而对于特性差异显著的 LFP 电池,则需重训整个网络以维持良好性能。这种跨化学体系的适应性显著降低了模型开发成本,为不同类型电池的统一诊断提供了可能。该量化方法为电池管理系统提供了电极级退化信息,有助于制定更精准的充放电策略和维护计划。该论文发表于《Next Energy》。

为开展此项研究,研究人员主要采用了以下关键技术方法:首先,构建了一种并行多分支卷积神经网络(CNN)架构,该网络包含三个并行的卷积分支,分别利用不同尺寸的卷积核(如 3×3, 7×7, 5×5 等组合)从伪开路电压(pseudo-OCV)曲线转化的二维类图像数据中同时提取局部细节、中程模式和全局趋势特征,并通过全连接层建立特征与四种退化模式间的非线性映射。其次,利用贝叶斯优化算法对网络超参数(如卷积核大小、滤波器深度、全连接层神经元数量)进行了系统优化,并通过 5 折交叉验证确保模型稳定性。最后,实施迁移学习(TL)策略,针对源域(NMC)与目标域(NCA、LFP)电化学特性的异同,采取差异化微调方案:对特性相似的 NCA 电池仅微调全连接层,而对特性差异大的 LFP 电池则重训卷积层与全连接层。研究数据来源于 Mendeley Data 公开的综合成数据集,涵盖 NMC、NCA 及 LFP 三种化学体系,通过机理模型生成,系统变化退化参数以覆盖多样的老化场景,其中 NMC 数据集包含 26,521 条低倍率放电电压曲线,NCA 和 LFP 数据集各包含超过 70 万条独特曲线。

研究结果部分首先展示了模型在 NMC 电池预设老化路径上的表现。通过模拟 LAMdePE 显著增加而容量损失主要由 LLI 驱动的场景,模型成功量化了不同退化机制的贡献,准确追踪了 LLI 持续高于 LAMdeNE 的趋势,并识别出电阻急剧增加主要归因于正极材料失效导致的电荷转移电阻增加。对比实际值与预测值发现,LLI 的预测性能最佳,数据点紧密分布在理想对角线周围;LAMdePE 和 LAMdeNE 预测结果良好,虽有少量离群点但整体趋势满意;RI 在高值区(>80%)存在一定偏差,低值区较准确。在迁移学习应用中,模型正确识别了 LFP 场景下以 LAMdeNE 为主导、NCA 场景下以 LAMdePE 为主导的预设退化逻辑,证明了其对不同底层老化逻辑的适应性。定量评估显示,四种退化模式的预测误差平衡良好,最大 MAE 仅为 2.4%。与其他算法对比表明,该方法在 LAMdeNE 和 LAMdePE 模式下显著优于 ICFormer 和 PINN 算法,在 LLI 和 RI 模式下也表现出相当或更优的鲁棒性与准确性。

讨论与结论部分总结指出,本研究开发的基于 CNN 的深度学习方法实现了对电极级退化机制的精准诊断。该方法通过自动学习多尺度退化特征,无需人工特征工程即可完成对 LLI、LAMdeNE、LAMdePE 和 RI 的同时定量,且预测精度满足工程需求。迁移学习的成功应用证明了模型在不同电池化学体系间的泛化能力,显著降低了跨体系模型开发成本。未来工作将致力于将该框架扩展至固态电池等新兴化学体系及不同电池形态,集成至实时电池管理系统以验证动态工况性能,探索结合阻抗、温度等多模态数据融合以提升诊断鲁棒性,并从退化量化向剩余寿命估算等长期预测推进,以加速其在实际储能系统中的部署应用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号