论文一：基于阻抗的锂离子电池不规律使用情况下性能预测

【分类】阻抗与机器学习结合

【题目】Impedance-based forecasting of lithium-ion battery performance amid uneven usage

【作者】Penelope K. Jones, Ulrich Stimming and Alpha A. Lee

【单位】Department of Physics, University of Cambridge, Cambridge, UK.

【下载地址】https://doi.org/10.1038/s41467-022-32422-w

【摘要】准确预测锂离子电池的性能对于缓解消费者对电动汽车的安全性和可靠性的担忧至关重要。大多数关于电池健康预测的研究都集中在研究和开发环境中，其中电池有相同的使用模式。然而在实际运行中，不同电池和循环周期的使用有很大的差异性，从而使预测具有挑战性。为了应对这一挑战，我们在这里提出了一个电化学阻抗谱测量与概率机器学习方法的结合，利用88个通过多阶段的充电和放电（周期之间的电流随机变化）商业锂离子纽扣电池的数据集，结果表明未来的放电容量可以用给定未来的循环协议和充电前的单一电化学阻抗谱来预测，不需要任何的历史使用知识。结果对电池制造商、循环协议的分布和温度都很稳健，研究结果还表明，电池的健康状况最好用多维矢量而不是标量的健康状态来量化。

【推荐理由】本文基于未来的充电协议及充电前的单一电化学阻抗谱实现不确定使用模式下的未来放电容量预测，预测结果在不同电池制造商、循环协议及温度下文件，研究结果表明电池的健康状况最好用多维矢量量化而不是单一的健康状态。

【关键插图】

图1：所提出方法和之前研究的对比，基于特征的退化预测方法侧重于恒定的充电协议（蓝色/红色曲线表示充电/放电阶段），使用容量-电压曲线的特征作为输入，这就需要了解历史充电数据。所提出的方法考虑了可变的充电协议（蓝色/红色阴影区域表示充电/放电协议的电流范围），这更接近于电动车的应用环境。此外，我们采用充电前测得的电化学阻抗谱作为输入，而不需要知道任何历史数据，并预测未来不同使用协议对放电能力的影响。

图2：主体转变的稳健性。（a）在可变放电倍率下循环的电池（蓝色）与固定放电倍率（红色）的放电容量分布是不同的，两个分布的重叠区域的颜色更深。（b）所提出的模型在可变放电倍率电池上进行了训练，准确预测了在固定放电倍率下循环电池的放电能力。（c）模型“知道它不知道什么”，当我们限制用于计算均方根误差的测试数据只包括模型最有信心的预测时（即预测的不确定性最低），均方根误差就会降低。

论文二：一种借助早期数据预测电池容量衰退轨迹的卷积神经网络

【分类】早期数据预测

【题目】A convolutional neural network model for battery capacity fade curve prediction using early life data

【作者】Saurabh Saxena, Logan Ward, Joseph Kubal, Wenquan Lu, et al.

【单位】Applied Materials Division, Argonne National Laboratory, Lemont, USA

【下载地址】http://dx.doi.org/10.1016/j.jpowsour.2022.2231736

【摘要】电池性能退化趋势的早期预测可以促进新材料、单体的设计，实际应用中电池的快速部署，关键场景中电池的及时更换，以及梯次利用市场的开发。在这项研究中，我们设计了一个卷积神经网络模型，其仅需使用前一百个循环的数据即可预测整个电池容量衰减曲线 （电池性能下降的关键指标）。我们使用放电电压-容量曲线作为输入，通过网络的卷积层自动进行特征提取过程。该方法可以预测容量衰减曲线中每个循环的容量衰减率和翻转周期（拐点），用于侦测容量快速衰减的起始位置。在公开的石墨/LiFePO4电池数据集上，该优化的网络预测容量衰减曲线、翻转周期和寿命终止的平均绝对误差百分比分别为3.7%（最坏情况下）、19%、17%。

【关键词】锂离子电池；容量衰退；健康状态；机器学习

【推荐理由】本文使用了一种新型卷积神经网络来进行电池容量衰退轨迹预测，其仅使用前一百个循环的数据，具有较广泛的适用范围。

【关键插图】

图1：（a）一个单体前一百循环的放电曲线（b）排列成100*100矩阵的放电曲线，（c）表征循环后容量变化的灰度图，（d）卷积神经网络映射结构。

图 2：网络预测的容量衰退轨迹。

论文三：基于结合长短期记忆和Elman神经网络的混合模型的锂离子电池剩余寿命预测

【分类】混合网络预测

【题目】Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks

【作者】Xiaoyu Lia, Lei Zhang, Zhenpo Wang, Peng Dong

【单位】National Engineering Laboratory for Electric Vehicles, School of Mechanical Engineering, Beijing Institute of Technology, Beijing, China

【下载地址】https://doi.org/10.1016/j.est.2018.12.011

【摘要】该文通过结合经验模态分解算法、长短期记忆和Elman神经网络，提出了一种新的用于预测电池剩余寿命的混合Elman-LSTM方法。采用经验模态分解算法将记录的电池容量逆循环数据分解为多个子层，并建立循环长短期记忆和Elman神经网络分别用于预测高频和低频子层。之后收集了综合电池测试数据集，并用于模型参数化和性能评估。对比结果表明，所提出的混合Elman-LSTM混合模型比其他模型具有更好的性能，可以较高精度地预测电池的剩余使用寿命。利用两个未知数据集进行预测的相对预测误差分别为3.3%和3.21%。

【关键词】电动汽车；锂离子电池；Elman神经网络；长短时记忆；剩余寿命

【推荐理由】本文为锂离子电池RUL预测提出了一种新的思路，将经验模态分解算法、长短时记忆与Elman神经网络进行结合。经验模态分解算法将电池测量的电池容量逆循环数据分解成高频和低频部分，利用长短时记忆和Elman神经网络分别对高低频部分进行建模。这样可以充分利用电池数据，避免了以往算法忽略了数据中高频部分的现象。

【关键插图】

图1：基于混合Elman-LSTM方法的电池RUL预测。

图2：放电倍率为1C的条件下电池CS2#37的RUL预测结果，（a）3种不同的老化模型的RUL预测结果 （b）放大说明的电池RUL预测结果。

论文四：基于时间卷积网络的锂离子电池健康状态监测与剩余寿命预测

【分类】基于时间卷积网络预测

【题目】State of Health Monitoring and Remaining Useful Life Prediction of Lithium-Ion Batteries Based on Temporal Convolutional Network

【作者】Danhua Zhou, Zhanying Li, Jiali Zhu et al.

【单位】School of Information Science and Engineering, Dalian Polytechnic University, Dalian, China

【下载地址】https://dx.doi.org/10.1109/ACCESS.2020.2981261

【摘要】健康状态（SOH）监测和剩余使用寿命（RUL）预测是确保锂离子电池使用安全的关键。然而，当前常用的模型预测精度较低，并且无法捕获电池的局部再生现象。本文提出了一种基于时间卷积网络（TCN）的锂离子电池SOH监测的模型框架。模型中使用了因果卷积和扩展卷积技术，以提高模型捕获局部容量再生的能力，从而提高模型的整体预测精度。利用残差连接和丢包技术提高了模型的训练速度，避免了深度学习网络中的过拟合。在RUL预测中，采用经验模式分解（EMD）技术对离线数据进行降噪，以避免局部再生导致的RUL预测误差。该模型在两种不同的数据集上进行了验证，结果表明它能够捕获锂离子电池中的局部再生现象。与常用模型相比，该模型在SOH监测和RUL预测方面具有较高的精度和较强的鲁棒性。

【关键词】锂离子电池；健康状态；剩余寿命；局部容量再生；时间卷积神经网络

【推荐理由】本文提出了一种基于时间卷积网络的锂离子电池剩余寿命预测的方法，针对锂离子电池局部容量再生的现象，使用了因果卷积技术和扩展卷积技术以降低RUL预测误差。使用了不同的验证集进行验证，证明了模型具有良好的精度及鲁棒性。

【关键插图】

图1：TCN模型可视化。

图2：基于TCN模型的电池健康状态诊断架构。

论文五：一种通用的、数据驱动的在线预测锂电池容量衰退轨迹的方法

【分类】通用的在线衰退轨迹预测

【题目】A generalizable, data-driven online approach to forecast capacity degradation trajectory of lithium batteries

【作者】Xinyan Liu, Xueqiang Zhang, Xiang Chen, Gaolong Zhu et al.

【单位】Beijing Key Laboratory of Green Chemical Reaction Engineering and Technology, Department of Chemical Engineering, Tsinghua University, Beijing, China

【下载地址】https://doi.org/10.1016/j.jechem.2021.12.004

【摘要】估计电池退化不仅对于监测电池的健康状况至关重要，而且对于加速新电池化学物质的研究也至关重要。在这里，我们提出了一种数据驱动的方法来预测实验室组装锂电池的容量衰减轨迹。从放电电压曲线中提取除具有预测能力外还具有物理意义的特征，仅凭单个电池的历史数据即可在线预测。稳健性和通用性在质量较差的数据集上进行评估，该数据集由电池结构和循环条件不同的电池组成，具有卓越的寿命终止和退化轨迹预测精度，平均误差分别为 8.2% 和 2.8%。除了令人印象深刻的预测准确性外，提取的特征还提供了物理见解，将其纳入材料设计或电池运行条件有助于启发更好电池开发过程。我们强调了基于时间序列的技术在预测电池循环性能方面的有效性，以及数据驱动方法在揭示复杂能源化学（如锂金属电池）中隐藏的巨大潜力。

【关键词】电池诊断；机器学习；时间序列预测；在线预测；锂金属电池

【推荐理由】本文基于数据驱动的方法预测电池的容量衰减轨迹，从放电曲线中提取了具有预测能力及物理意义的特征，将其纳入材料设计或电池运行条件有助于启发更好电池开发过程。

【关键插图】

图1：方法架构的示意图，（a）通过STL分解提取电压曲线相关特征。（b）使用其历史信息将特征外推到未来周期。灰色空心圆圈代表原始数据，绿色实心圆圈对应于外推特征值。（c）仅基于单个电芯历史数据通过回归模型将特征与容量衰减相关联，不利用来自其他电芯的数据。（d）容量退化轨迹的最终估计。灰色空心三角形代表原始数据，黄色实心圆对应预测容量轨迹。

图2：模型表现。（a）本文中应用的所有电池的循环性能。（b）示例电池（24 号电池）的预测和实际容量退化轨迹。（c）实际寿命终止和预测寿命终止之间的奇偶校验图。（d）MAE的直方图和寿命预测的中值误差，MAE和中值误差分别用实线和虚线表示。

论文六：基于电池成组方法的锂离子电池组寿命和老化预测

【分类】电池组老化预测

【题目】Lifetime and Aging Degradation Prognostics for Lithium-ion Battery Packs Based on a Cell to Pack Method

【作者】Yunhong Che, Zhongwei Deng, Xiaolin Tang , Xianke Lin, et al

【单位】College of Mechanical and Vehicle Engineering, Chongqing University, China

【下载地址】http://doi.org/10.1186/s10033-021-00668-y

【摘要】电池老化诊断对于确保储能系统在安全区域内运行至关重要。本文提出了一种基于转移深度学习和高斯过程回归相结合的电池组健康和寿命预测方法。一般健康指标是从不完全放电过程中提取的。建立了基于深度学习框架的健康指标连续退化模型，并将其移植到电池组退化预测中。对电池组和每个电池单体的未来退化容量进行概率预测，以提供一个全面的寿命预测。此外，模型构建只需要源域中少量独立的电池和目标域中电池组的早期数据。实验结果表明，该电池组的寿命预测误差小于25个周期，即使只进行50个周期的模型微调，也可节省约90%的老化实验时间。因此，大大减少了研究电池组的时间和人力。对电池组中连接的电池容量趋势的预测，准确反映了每个电池的实际退化情况，可以提前发现最弱的电池单体进行维修。

【关键词】锂离子电池组；寿命预测；退化预测；模型迁移；机器学习

【推荐理由】串联电池组的健康状况和寿命预测对于健康管理至关重要。不同的工作条件和内部化学反应导致了不同的老化模式，这种不一致在很大程度上影响了电池组的老化。本文提出了一种利用转移深度学习和高斯过程回归的协同预测电池组寿命的新方法。提取健康指标并证明其与独立电池和电池组的容量具有高度相关性。该方法不仅提供了电池组的未来退化模式，还提供了具有概率预测的连接电池的寿命分布。

【关键插图】

图1：电池组寿命预测过程。

图2：使用(a)150/(b)200/(c)250循环数据的电池未来容量分布预测结果。实线表示基于预测健康指标的预测结果，符号表示真实健康指标估计的结果。结果表明，该策略可以很好地预测每个连接电池的未来容量退化；当使用50%的数据进行微调时，连接电池的未来容量预测几乎能覆盖实际退化情况。它能准确、清晰地显示各连接电池的老化情况。

论文七：用于能量传输系统电池日历健康预测的传递递归神经网络

【分类】电池日历寿命预测

【题目】A Transferred Recurrent Neural Network for Battery Calendar Health Prognostics of Energy-Transportation Systems

【作者】Kailong Liu, Qiao Peng, Hongbin Sun, et al.

【单位】Univ Warwick, Warwick Mfg Grp, Coventry CV4 7AL, W Midlands, England

【下载地址】http://dx.doi.org/10.1109/TII.2022.3145573

【摘要】电池储能系统是实现低碳工业和社会经济的关键组成部分，电池健康状况在决定能源运输连接的安全性和可靠性方面起着至关重要的作用。本文提出了一种基于转移递归神经网络（RNN）的框架，以实现在见证和非见证存储条件下有效的日历容量预测。具体来说，此转移RNN框架包含一个基本模型部分和一个传输模型部分。基本模型首先通过使用从高温和荷电状态（SOC）案例中收集的易于收集且节省时间的加速老化数据集进行训练。然后，通过仅使用来自所关注的未压缩条件的小部分启动容量数据来调整传输部分。开发的框架在一个全面的老化数据集下进行评估，该数据集具有三种不同的SOC（20%、50%和90%）和温度（10℃、25℃和45℃）。实验结果表明，该转移RNN框架能够在不同存储情况下提供令人满意的日历容量健康预测。具有SOC和温度影响因子项的模型结构优于其他同类结构，特别是在未压缩条件下。所提出的框架可以帮助工程师显著减少电池老化实验负担，并有望获取未来容量信息，用于电池健康和能源运输应用的寿命周期成本分析。

【关键词】电池日历容量；数据科学；能源和运输信息学；健康和寿命周期分析；转移学习

【推荐理由】本文提出了一个基于转移递归神经网络的框架，以实现有效的日历容量预测。该神经网络框架包含一个基础模型部分和一个转移模型部分。基础模型部分使用加速老化数据集进行训练，而传输模型部分仅采用来自未见证存储案例的少量起始数据进行调整，降低了训练成本和所需的电池老化数据。在不同的温度和SOC下，该神经网络框架具有较好的预测精度。

【关键插图】

图1：用于预测目击和未目击案件的未来日历容量点转移递归神经网络结构。

图2：测试集B电池在20%SOC和10℃下的未来容量预测结果。

论文八：一种锂离子电池在线容量估计的深度学习方法

【分类】在线容量估计

【题目】A deep learning method for online capacity estimation of lithium-ion batteries

【作者】Sheng Shen, Mohammadkazem Sadoughi, Xiangyi Chen, et al.

【单位】Department of Mechanical Engineering, Iowa State University, Ames, IA, USA

【下载地址】https://doi.org/10.1016/j.est.2019.100817

【摘要】为了保证锂离子电池组的安全可靠运行，电池管理系统 (BMS) 应具备实时监控电池组中单个电池的健康状态 (SOH) 的能力。本文提出了一种深度学习方法，该方法利用深度卷积神经网络 (DCNN) 基于部分充电周期期间的电压、电流和充电容量测量值进行电池级容量估计。DCNN的独特功能包括本地连接和共享权重，这使模型能够使用充电期间的测量值准确估计电池容量。据我们所知，这是将深度学习应用于锂离子电池在线容量估计的首次尝试之一。利用来自 8个可植入锂离子电池的十年每日循环数据和来自20个18650 锂离子电池的半年循环数据来验证所提出的深度学习方法的性能。与浅层神经网络和相关向量机 (RVM)等传统机器学习方法相比，所提出的深度学习方法在锂离子电池容量的在线估计中具有更高的准确性和鲁棒性。

【关键词】容量估计；健康监测；深度学习；锂离子电池

【推荐理由】本文提出了一个深度卷积神经网路模型，基于部分充电片段的电压、电流和充电容量测量值进行在线容量估计。这是将深度学习应用于锂离子电池在线容量估计的最早尝试之一。与浅层神经网络和相关向量机 (RVM)等传统机器学习方法相比，所提出的深度学习方法在锂离子电池容量的在线估计中具有更高的准确性和鲁棒性。文中还讨论了充电曲线阶段片段、输入矩阵特征、卷积层数等对估计结果和训练时间的影响，形成了较为系统的总结。

【关键插图】

图1：使用的DCNN模型结构。

图2：不同情况下对单体1的容量估计结果（分别对应低起始SOC无电流误差、低起始SOC有电流误差、高起始SOC无电流误差、高起始SOC有电流误差情况）。

图3：不同输入矩阵的总体RMSE (a)，以及测试时间(b)。

论文九：使用容量增量分析法检测锂离子电池快速充电过程中的析锂

【分类】析锂检测

【题目】Operando detection of Li plating during fast charging of Li-ion batteries using incremental capacity analysis

【作者】Yuxin Chen, Loraine Torres-Castro, et al.

【单位】Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI, USA

【下载地址】https://doi.org/10.1016/j.jpowsour.2022.231601

【摘要】限制锂离子电池快速充电的一个主要因素是在石墨电极上的析锂现象，然而，在充电过程中检测和判断析锂仍然是一个挑战。在这项工作中，以C/2到4C的速率对石墨NMC软包电池充电时，应用了增量容量（IC）分析。进行了三电极软包电池测量和拆解后SEM成像，以证明析锂的开始与特定IC峰相关。IC分析也用于研究具有三电极结构的多层软包电池的快速充电性能。结果表明：1）IC曲线有一个特征峰，这是快速充电过程中析锂的一个指标，随着充电速度的增加，其幅值增大；2）析锂IC峰与石墨负极的最小电压有关，表明从插层到析锂的过渡；3）析锂IC峰对少量的析锂敏感；4）IC分析可用于研究新型电池结构中的析锂层；5）析锂IC峰值在长时间快速充电循环期间演变，这是由于随着锂库存减少，析锂量减少的结果。

【关键词】析锂；快充；增量容量；三电极；微观；锂离子电池

【推荐理由】本文通过对于CC充电过程中的锂离子电池进行ICA分析，在不同充电倍率下对于特征峰的不同变化进行分析，将嵌锂峰与析锂峰进行区分，并且通过电池拆解进行验证。该文章提出了一种单循环过程中的析锂现象的检测，运用了充电过程中的ICA曲线作为分析目标，对后续析锂的研究提供了重要的检测方法。

【关键插图】

图1：a）充电过程中，五个不同袋式电池的电池电压曲线，其中每个电池以不同的速率从C/2到4C充电；b）相应的IC曲线。在两个图中的虚线均绘制在析锂IC峰值的位置，以确定充电率≥2C；c-f）和g-j）分别以1C–4C速率充电的细胞的光学显微镜图像以及SEM图像。

图2：a）石墨锂化反应路径和相关阻抗的示意图。b）锂的成核；c）析锂生长；d）后期循环中的析锂。等效电路图中箭头的线宽是为了定性地表示每个特定路径后的电流相对大小。

图3：在4C充电期间，石墨和NMC的a）电压曲线；b）dV/dQ；c）d2V/dQ曲线以及d）电池IC和DV曲线。

论文十：基于长短期循环神经网络的阳极电位实时预测及析锂预防

【分类】深度学习预测负极电位

【题目】Real-Time Prediction of Anode Potential in Li-Ion Batteries Using Long Short-Term Neural Networks for Lithium Plating Prevention

【作者】Xianke Lin

【单位】Department of Automotive, Mechanical and Manufacturing Engineering, University of Ontario Institute of Technology,Oshawa, Ontario L1H 7K4, Canada

【下载地址】https://dx.doi.org/10.1149/2.0621910jes

【摘要】电动汽车的广泛普及带来对快速充电技术的迫切需求。而在快速充电技术中最严重的问题是由于锂离子电池负极电位过低而发生析锂反应。为了防止析锂，在不同工作条件下监测锂离子电池负极电位至关重要。本文提出了一种长短期记忆（LSTM）神经网络，它通过使用最常用的测量信号（包括电池电流、电压、荷电状态和表面温度）来预测负极电位。提出的LSTM神经网络使用经过实验验证的电池模型生成的训练数据。预测达到了较高的精度，车辆行驶工况循环中的最大均方根误差（RMSE）仅为3.84 mV，恒定充电曲线的RMSE为3.73 mV。结果证明了LSTM神经网络在预测负极电位方面的高效性。与现有的数学模型不同，本文中使用的数据驱动方法不涉及复杂的数学方程、繁琐的参数调整或对电化学的深入理解。通过将训练数据集拟合到神经网络，可以实现精确的估计。训练后的LSTM模型计算效率也很高，可以实现实时负极电位估计。

【关键词】锂离子电池；电化学模型；长短期循环神经网络

【推荐理由】本文提出了一种基于长短期循环神经网络的电极电位预测方法，将电压、电流、SOC以及电池表面温度进行整合，即可得到负极真实电位的预测值。使用电化学模型得到的数据作为训练集，并在实车行驶工况中获得了良好的预测结果。

【关键插图】

图1：（a）析锂和树状锂枝晶形成；（b）负极电位变化曲线；（c）析锂层在经过循环的负极电极上清晰可见。

图2：基于物理的电池模型及热动力学。

图3：（a）LSTM架构；（b）用于阳极电位预测的单层LSTM结构。