引言
由于锂离子电池具有高能量密度、低自放电率以及长使用寿命等优点,已被广泛应用于消费电子产品、电动汽车和储能系统中[[1], [2], [3], [4]]。然而,其应用规模的快速扩张也引发了人们对电池运行可靠性和安全性的担忧。电极、电解质和隔膜等关键组件的逐渐老化会严重降低电池性能[5,6],因此必须对锂离子电池进行妥善维护和管理,以确保其在实际应用中的安全稳定运行[7,8]。在此背景下,作为电池管理决策依据的电池健康状态(SOH)的准确估算,已成为一项重要的研究方向[9]。
随着人工智能技术的快速发展,已有许多基于机器学习的SOH估算方法被提出,适用于不同工况[[10], [11], [12], [13]]。这些方法大多依赖监督学习技术,需要大量包含高质量全生命周期SOH标注的数据集[14,15]。通常,SOH标注是在实验室环境中通过完整的充放电测试来生成的[[16], [17], [18]],但获取涵盖不同类型电池的大规模标注数据集往往成本高昂,且有时并不现实[[19], [20], [21]]。
为减少对标注数据的依赖,人们提出了半监督学习技术,通过引入未标注数据来扩充训练数据集[[22], [23], [24]]。例如,Lin等人[25]采用了半监督协同训练方法为未标注数据生成伪标注,进而用于SOH估算;Che等人[26]则利用自编码器从未标注数据中提取电池老化信息,并将学到的参数用于SOH估算任务;Xiong等人[27]提出了基于未标注数据重建的半监督SOH估算方法;Wang等人[28]设计了一种基于弱标注的自监督框架,利用电池部分区域的充电容量作为弱监督信号进行SOH估算;Li等人[29]开发了混合自监督与迁移学习框架,通过容量吞吐量作为伪标注,在没有明确SOH标注的情况下保留与老化相关的特征;Xie等人[30]则提出了一个强大的半监督置信度感知框架,通过师徒式策略生成伪标注,并根据其置信度对其进行筛选。上述方法都在一定程度上降低了对于标注数据的依赖,但它们往往是为特定的工况或数据集设计的,目前还没有证据表明这些方法在现实场景中具备足够的泛化能力。
迁移学习则是另一种提升机器学习模型SOH估算泛化能力的有效方法[31]。该方法将来自更丰富、更多样化的源领域的知识整合到新的应用场景中,仅需要目标领域少量标注数据即可[[32], [33], [34], [35]]。近年来,这一方法受到了广泛关注,多项研究证明了它在目标领域样本量有限的情况下,依然具有出色的SOH估算效果[[36], [37], [38], [39], [40]]。不过,现有的基于迁移学习的SOH估算方法仍然需要源领域大量的标注数据,通常至少需要目标领域全生命周期标注数据的25%左右。这类高度依赖大规模标注数据的方法,显然难以适应日益多样化的电池应用场景。
正因如此,缺乏足够的标注数据一直被视为在实际工况下估算锂离子电池SOH面临的主要挑战[41]。研究表明,来自电池实际运行的未标注数据,能够为了解电池老化过程和运行状况提供重要线索[42,43],这凸显出有必要开发一种新的SOH估算方法,该方法能够在仅有少量标注样本的情况下,结合电池生产、维护和回收过程中产生的大量未标注数据来使用。长期以来,人们已经认识到将大量不完美的标注数据与少量精确标注数据结合用于机器学习建模的可行性[44]。视觉识别领域的研究也证明,利用不完美标注数据进行的弱监督学习,是解决标注数据不足问题的有效途径[45,46]。尽管近期已有研究开始尝试解决如何利用标注不准确的电池数据的问题[47],但在标注极为匮乏的情况下实现通用型SOH估算,目前仍未借助弱监督学习技术取得突破。
本研究提出了一种弱监督学习(WSL)框架,旨在用极少的标注数据就能实现准确且可靠的电池SOH估算。在该框架中,首先开发了一种基于电化学机制的创新弱标注策略,用于将易获取的未标注数据转换为弱标注数据;随后构建深度神经网络,提取对电池内在老化机制敏感的通用特征空间;最后再利用少量标注数据对深度神经网络进行微调,从而实现精准的SOH估算。这种WSL框架具有三大实际工程优势:首先,由于其不受材料类型的限制,因此可广泛应用于包括电动汽车和储能系统在内的各类场景中;其次,它还能够整合来自不同来源的未标注数据,利用不同工况下的电池老化信息,进一步提升目标场景下的SOH估算精度;第三,用于微调的少量标注数据,可以通过电池制造、维护和回收等流程轻松获取,从而确保该框架在现实应用中的可行性。综上所述,本研究展现了弱监督学习在电池健康管理领域的应用潜力,为解决标注数据不足的问题提供了一种可行的解决方案。
该WSL框架通过两个内部数据集以及四个公开实验室数据集进行了验证,这些数据集涵盖了多种循环测试方案、不同环境温度以及不同的电池化学体系。此外,还通过两个电动汽车数据集验证了该框架在真实场景数据中的应用效果。所有这些案例研究都充分证明,与传统监督学习方法相比,WSL框架在跨工况和跨数据集的验证场景中,均具有更高的估算精度和更强的泛化能力。