季节性影响对跑道池培养微藻生物燃料产量和化学组成的调控作用

《Energies》:Seasonal Influence on the Yield and Chemical Composition of Biofuels Derived from Raceway-Grown Microalgae

【字体: 大 中 小 】 时间:2026年07月21日 来源:Energies 3.9

编辑推荐:

  准确估计锂离子电池的健康状态(State of Health, SOH)对于电池管理系统(Battery Management System, BMS)至关重要,因为它直接影响系统安全性、运行可靠性以及剩余使用寿命预测。传统的SOH估计方法通常依赖于完整的充放

  
准确估计锂离子电池的健康状态(State of Health, SOH)对于电池管理系统(Battery Management System, BMS)至关重要,因为它直接影响系统安全性、运行可靠性以及剩余使用寿命预测。传统的SOH估计方法通常依赖于完整的充放电循环数据,这限制了其在实时和在线应用中的实用性。为解决这一局限性,本文提出了一种基于电压-电荷增量曲线的双分支双向长短期记忆网络(Voltage-Charge Increment Curve-based Dual-Branch Bidirectional Long Short-Term Memory, VCIC-DB-BiLSTM),用于在不完整数据条件下进行电池SOH估计。首先,通过安时积分和三次样条插值,将非均匀采样的电池电流-电压数据处理为具有等电压间隔的标准序列。随后,采用滑动窗口分割,从连续电压间隔中提取固定长度的曲线段作为输入特征,同时将对应的完整电压间隔曲线作为标签。最后,设计了VCIC-DB-BiLSTM网络,该网络采用双分支结构,整合了来自分块处理数据和原始数据的特征提取,并结合了双向序列建模。在四个基准数据集CALCE、Oxford、XJTU和TJU上的实验验证表明,所提方法在不完整放电数据条件下实现了具有竞争力的SOH估计性能,证实了其有效性和实际应用性。
**论文解读:基于电压-电荷增量曲线与双分支双向长短期记忆网络的锂离子电池健康状态估计方法**

**研究背景与问题**

锂离子电池因其高电压、高能量密度和低自放电特性,已成为电动汽车、储能系统和便携式电子设备的标配电源。随着电池在日益严苛的应用中部署,监测其退化变得至关重要。健康状态(State of Health, SOH)是衡量电池退化的关键指标,准确估计SOH对于电池管理系统(Battery Management System, BMS)确保运行安全、可靠性和延长寿命至关重要。传统SOH估计方法主要分为基于电阻和基于容量两类。基于电阻的方法(如内阻跟踪或电化学阻抗谱 Electrochemical Impedance Spectroscopy, EIS)虽不要求完整循环,但往往需要特定操作条件、稳定环境或专用测量设备。而基于容量的传统方法通常需要完整充放电循环数据。然而,在实际应用中,如电动汽车和智能手机,由于时间约束和复杂运行条件,获取完整循环数据十分困难,操作数据往往碎片化,电池循环可能起始或终止于任意点。因此,依赖完整循环或特定连续条件的方法存在显著应用瓶颈。已有研究尝试利用不完整循环数据估计SOH,例如利用部分放电区间、固定起始荷电状态(State of Charge, SOC)或部分恒压充电阶段数据等,但这些方法普遍依赖特定预定义区间提取特征,限制了其在不同实际场景中的适用性。

**研究内容与结论**

为克服上述限制,本研究提出了一种新颖的基于电压-电荷增量曲线的双分支双向长短期记忆网络(Voltage-Charge Increment Curve-based Dual-Branch Bidirectional Long Short-Term Memory, VCIC-DB-BiLSTM),用于仅利用不完整放电数据精确估计锂离子电池SOH。该方法首先通过安时积分(Ampere-hour integration, Ah integration)生成电压-电荷增量曲线(Voltage-Charge Increment Curve, VCIC),然后利用三次样条插值将非均匀采样曲线转换为固定电压间隔的标准数据。接着,通过滑动窗口从不完整放电间隔中提取固定长度曲线段作为输入特征,完整电压-电荷增量曲线作为训练标签。最后,构建双分支双向长短期记忆网络(DB-BiLSTM)同时处理分段局部特征和完整原始数据流,重构完整电压-容量曲线,SOH由上限截止电压对应的容量值导出。在四个公开数据集(CALCE、Oxford、XJTU和TJU)上进行了实验验证,涵盖不同电池类型、容量和循环条件。结果表明,该方法在不完整放电数据条件下实现了高精度的SOH估计,误差普遍低于7 mAh(CALCE)、6 mAh(Oxford)、7 mAh(XJTU)和17 mAh(TJU)。关键贡献包括:提出完整的VCIC-DB-BiLSTM框架;创新性地采用VCIC作为输入特征,更清晰反映电池老化特性;系统性在四个数据集上验证了方法的可靠性和泛化能力。论文发表在《Energies》。

**主要技术方法**

研究人员采用的关键技术方法包括:1)基于安时积分(Ah integration)的电压-电荷增量曲线(VCIC)生成,通过积分电流量化放电过程中的容量变化;2)三次样条插值(Cubic spline interpolation),将非均匀采样的电压-电荷数据转换为均匀电压间隔的标准序列,确保连续性和平滑性;3)滑动窗口分割,从固定电压间隔(如500 mV或600 mV)中提取连续曲线段作为输入特征;4)双分支双向长短期记忆网络(DB-BiLSTM)架构,包括原始序列分支和分块(patch)分支,分别处理全局时序依赖和局部特征,并通过元素相加融合多尺度特征;5)4折交叉验证训练策略,使用Adam优化器和均方误差(Mean Squared Error, MSE)损失函数。

**研究结果**

**3.1 不同数据集实验**:研究人员在四个基准数据集(CALCE、Oxford、XJTU和TJU)上评估了DB-BiLSTM框架在不完整放电数据下的SOH估计性能。通过4折交叉验证,实际SOH与估计SOH曲线高度吻合,定量性能指标(平均绝对误差Mean Absolute Error, MAE)显示:CALCE数据集最大MAE为0.0067 Ah(对应绝对误差0.61%),Oxford为0.0054 Ah(0.73%),XJTU为0.0070 Ah(0.35%),TJU为0.0162 Ah(0.46%),所有误差均低于1%,远低于工业界5%的阈值。与Attention LSTM、CNN、GRU和RNN等基准模型相比,DB-BiLSTM在四个数据集上均取得最低MAE和均方根误差(Root Mean Square Error, RMSE),验证了其优越性和鲁棒性。

**3.2 小样本实验**:研究人员在XJTU和TJU数据集上逐步减少训练电池数量(从1个到4个),考察模型在数据受限条件下的性能。结果表明,即使仅使用单个电池数据进行训练,DB-BiLSTM仍优于其他基准方法,且随着训练样本增加性能进一步提升,突出了其在实际数据稀缺场景中的适应性。

**3.3 电压窗口大小对SOH估计精度的影响**:研究人员通过实验确定最优电压窗口大小。对CALCE、Oxford、XJTU数据集测试200~600 mV窗口,对TJU测试200~700 mV窗口,发现窗口过大会因样本量减少而导致性能下降。基于权衡分析,选择500 mV(CALCE、Oxford、XJTU)和600 mV(TJU)作为最优输入窗口。

**3.4 电压窗口起始点对SOH估计精度的影响**:固定窗口长度下,研究人员探究不同起始电压位置对估计精度的影响。结果显示,最优起始点因数据集而异,例如CALCE数据集中起始电压3.48 V比3.60 V的估计结果更接近真实值。这表明在线SOH估计中,选择表现最佳的窗口起始点可有效提升模型准确性。

**3.5 综合评价与操作边界**:研究人员评估了框架在不同电池化学体系(LiCoO2、NCM、NCA)、不同放电条件(恒流0.5C~2C、动态驾驶循环)以及全生命周期阶段的性能,均保持低误差。但当前评估局限于单体电池(容量≤3.5 Ah),未验证大尺寸电池或电池组,也未涵盖极端快充放电和不同热条件,这些是未来研究关键方向。

**总结讨论**

论文讨论部分强调了VCIC-DB-BiLSTM框架在实际应用中的潜力,其最大绝对误差低于1%满足了工业界5%的典型要求,且在相同部分放电条件下优于多种数据驱动基线模型。同时指出操作边界:仅针对单体电池验证,未涉及大容量电池或电池组,以及极端快充放电和不同热条件。这些方面需要进一步研究以增强框架的鲁棒性和部署能力。

**研究结论**:本文提出了一种新颖的DB-BiLSTM模型,用于基于部分放电数据估计锂离子电池SOH。该方法克服了传统方法依赖完整充放电循环的局限性。通过安时积分推导电压-增量电荷关系,并采用三次样条插值标准化电压间隔,获得结构化输入表示。以0.5 V或0.6 V电压间隔数据及完整电压-增量电荷曲线作为训练目标,使模型学习详细的放电模式。在涵盖LiCoO2、NCM和NCA化学体系的多数据集上的大量实验表明,DB-BiLSTM模型实现了高精度SOH估计,MAE和RMSE等指标定量证实了其性能。在XJTU和TJU数据集上的小样本实验中,即使数据极少,DB-BiLSTM仍保持优于其他基准方法的性能,突显了其数据受限场景下的适应性和有效性。结果表明,DB-BiLSTM模型可通过部分放电数据在整个电池生命周期中提供可靠SOH估计,增强BMS能力,为储能和电动汽车实际应用提供实用方案。未来工作将研究恶劣环境因素(特别是变化和极端温度)对模型性能的影响,以及在高功率和快充放电场景下的评估与优化。
相关新闻
生物通微信公众号
微信
新浪微博

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