论文一：锂离子电池和电池集成结构的健康预测

【分类】超声信号状态预测

【题目】Health Prognostics of Lithium-ion Batteries and Battery-Integrated Structure

【作者】Purim Ladpli, et al.

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

【下载地址】https://doi.org/10.12783/shm2019/32215

【摘要】这项工作开发并评估了一种超声检测系统，该系统使用内置的压电换能器系统测量电池的电荷状态，特别是电池的健康状态。提出了一种通过电化学诱导的机械性能变化的诊断方法，将导波信号的变化与充电、放电和老化过程联系起来。开发了一种基于匹配追踪的特征提取方案，以允许将信号有效地、操作性地组合成一组与电池状态相关的预测器。建立了粒子滤波器框架，该框架提供状态估计和剩余寿命预测，以允许将超声特征用作测量。在现成的锂离子电池和电池集成结构上表明，超声技术显著提高了预测性能并包含了不确定性。

【推荐理由】本文通过将超声信号进行分解来得到特征参数，改变了传统的幅值以及飞行时间作为SOC与SOH的映射参数，扩展了超声在电池状态估计以及健康预测方面的适用性，并且相比于仅采用电信号作为特征参数，添加超声维度参数大大提高了预测精度。

【关键插图】

图1：使用表面安装的压电换能器在锂离子电池基板中的超声导波传播示意图。

图2：带有压电换能器的表面MESC-I型梁安装网络（A-B）。MESC-工字梁示意图和疲劳试验设置（C-D）。循环老化的数据（绿色）；老化后数据（红色）。

图3：特征提取（A）Gabor原子随SOH的变化而变化。（B）前三个原子的Gabor参数（am、bm、um）作为SOC和SOH的函数。

论文二：一种数据驱动的锂离子电池低温容量预测方法

【分类】数据驱动低温容量预测

【题目】A data-driven evaluation method for low-temperature performance of lithium-ion batteries

【作者】Helin Xu, Lin Cheng, et al.

【单位】Key Laboratory of Control and Simulation of Power Systems and Generation Equipment, Tsinghua University, Beijing, China

【下载地址】https://doi.org/10.1016/j.egyr.2022.11.009

【摘要】储能系统在提高可再生能源供电平滑性、电力系统稳定性等方面发挥着重要作用，当前储能方式仍以电池储能系统（BESS）为主。然而时变的温度条件会对锂离子电池的放电容量产生显著影响，锂离子电池在低温环境下工作时放电容量会下降。因此本文开发了一种锂离子电池低温放电容量评价方法：首先分析了电池的放电特性，在此基础上进行了充放电测试并提取了相关的健康指标，最后将测量数据和健康指标输入机器学习模型，通过数值结果分析了该方法的适用性和有效性。

【关键词】锂离子电池；低温运行；健康因子；机器学习

【推荐理由】本文使用实际环境中的运行数据分析了电池低温条件下的电化学过程，并利用提取出的健康因子训练了一个适用于低温情况下的电池模型。

【关键插图】

图1：预测模型结构图。

图2：网络预测的低温放电曲线。

论文三：使用深度迁移学习对锂离子电池进行实时个性化健康状态预测

【分类】迁移学习剩余寿命预测

【题目】Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning

【作者】Guijun Ma, et al.

【单位】School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China

【下载地址】https://dx.doi.org/10.1039/d2ee01676a

【摘要】实时、个性化的锂离子电池健康管理有利于最终用户的安全提升。然而，由于使用兴趣的多样性、动态的操作模式和有限的历史数据，电池健康状态的个性化预测仍然具有挑战性。我们生成了一个由77个商用电池(77个放电协议)组成的综合数据集，包含超过140,000个充放电循环——这是我们所知的此类数据集中最大的数据集，并开发了一个迁移学习框架，以实现在任何充放电循环下，对不可见的电池放电协议的实时个性化健康状态预测。该方法在容量估计和剩余使用寿命(RUL)预测方面的平均测试误差分别为0.176%和8.72%。此外，提出的框架可以利用另外两个知名电池数据集的知识，分别具有不同的充电配置和不同的电池化学性质，以可靠地估计电池的容量(0.328%/0.193%)和预测RUL(9.80%/9.90%)。这项研究可以让终端用户调整电池消耗计划，并激励制造商改进电池设计。

【推荐理由】本文开发了一个迁移学习框架，以实现在任何充放电循环下，对不可见的电池放电协议的实时个性化健康状态预测。

【关键插图】

图1：(a)不同的终端用户采用个性化的电池放电协议，导致不同的电池老化趋势和容量分布；(b)考虑任意一个具有独特放电协议的终端用户，如果终端用户希望了解当前充放电循环(如循环k)下的电池健康状态，四条局部充电曲线(即充电电压曲线(V)、充电容量曲线(Q)、每循环与第10循环之间的充电电压差曲线(AV)，以及在最近30个周期的常用充电范围(从80% SOC到前3.6 V)内，每个周期与第10个周期之间的充电容量曲线(AQ)的差异，将用于调整(c)预训练的深度迁移学习模型。(d)然后，该模型可以自适应预测当前电池健康状态(容量和RUL)。预测的健康状态可进一步用于指导最终用户优化使用计划，以延长锂离子电池的RUL，如虚线箭头所示。

图2：22个测试协议的预测结果。左列((a)，(c)，(e)和(g)的图显示了每种测试协议的估计容量与周期数的关系，其中散点和实线分别表示估计容量和实际容量。右列的图((b)， (d)， (f)和(h)显示了每种测试协议的预测RUL与实际RUL的对比，其中实线表示当预测RUL总是与实际RUL相同时的理想结果。各图分别给出了容量估计误差和RUL预测误差的密度分布。为方便结果显示，预测容量和RUL每20个周期显示一次。预测误差在电池老化初期比较大，但随着电池老化逐渐减小，这有助于为终端用户提供可靠的规则，特别是在电池接近故障时，终端用户可以迅速修改相应的电池使用计划，避免安全事故的发生。

论文四：锂离子电池剩余使用寿命的数据驱动自动CNN-LSTM预测模型

【分类】深度学习剩余寿命预测

【题目】A Data-Driven Auto-CNN-LSTM Prediction Model for Lithium-Ion Battery Remaining Useful Life

【作者】Lei Ren, Jiabao Dong, Xiaokang Wang, et al.

【单位】School of Automation Science and Electrical Engineering, Beihang University, Beijing, China

【下载地址】https://dx.doi.org/10.1109/TII.2020.3008223

【摘要】制造过程的各个方面与新一代信息技术（如物联网、大数据和云计算）的集成使工业制造系统更加灵活和智能。记录工业生产过程各个方面的工业大数据，包含工业智能的关键价值。对于工业制造而言，锂离子电池（LIB）是一种重要且广泛使用的电子设备。然而，迫切需要准确预测电池的剩余使用寿命（RUL），以减少意外维护和避免事故。由于老化数据量不足，数据驱动方法的预测精度受到极大限制。此外，由于温度等外部因素，由模型驱动方法建立的用于表示老化过程的数学模型是不稳定的。为了解决这一问题，本文提出了一种基于改进卷积神经网络（CNN）和长短期记忆（LSTM）的电池RUL预测方法，即Auto CNN LSTM。该方法是基于深度CNN和LSTM开发的，用于在有限数据中挖掘更深的信息。在该方法中，使用自动编码器来增加数据的维数，以更有效地训练CNN和LSTM。为了获得连续稳定的输出，使用了平滑预测值的滤波器。与其他常用方法相比，在真实世界数据集上的实验证明了该方法的有效性。

【关键词】自动编码器；卷积神经网络(CNN)；锂离子电池(LIB)；长短期记忆(LSTM)；剩余使用寿命(RUL)预测；工业人工智能

【推荐理由】本文提出了一种基于改进卷积神经网络（CNN）和长短期记忆（LSTM）的电池RUL预测方法，即Auto CNN-LSTM。在该方法中，使用自动编码器来增加数据的维数，以更有效地训练CNN和LSTM，并在真实世界数据集上的实验证明了该方法的有效性。

【关键插图】

图1：电池剩余使用寿命预测框架。

图2：#7电池带有滤波器的Auto-CNN-LSTM预测结果。(a)无过滤器。(b)一阶线性滤波器。(c)二阶滤波器。(d)三阶滤波器。

论文五：基于长短记忆网络的锂离子电池荷电状态估计

【分类】深度学习电池状态估计

【题目】State-of-Charge Estimation of Lithium-Ion Batteries via Long Short-Term Memory Network

【作者】Fangfang Yang, Xiangbao Song, Fan Xu, et al.

【单位】School of Data Science, City University of Hong Kong, Hong Kong

【下载地址】https://doi.org/10.1109/ACCESS.2019.2912803

【摘要】准确的荷电状态（SOC）估计对于电动汽车的行驶里程预测和电池的最佳充电控制至关重要。本文提出了一种堆叠式长短期记忆网络，用于建模磷酸铁锂电池的复杂动力学，并通过电流、电压和温度测量值推断电池的SOC。使用从动态应力测试、US06测试和联邦城市驾驶计划中收集的数据对拟议网络进行培训和测试。从跟踪精度、计算时间、对未知初始状态的鲁棒性等方面评估了SOC估计的性能，并与基于模型的滤波方法（无迹卡尔曼滤波器）的结果进行了比较。此外，还构建了不同的训练和测试数据集，以测试其对不同载荷剖面的鲁棒性。实验结果表明，该网络能够很好地捕捉SOC和可测信号之间的非线性相关性，并提供比无迹卡尔曼滤波器更好的跟踪性能。在初始SOC不准确的情况下，提出的网络能够快速收敛到真实SOC，均方根误差在2%以内，平均误差在1%以内。此外，每个时间步长的估计时间为亚毫秒，适合实时应用。

【关键词】荷电状态估计；磷酸铁锂电池；长短时记忆；递归神经网络；无迹卡尔曼滤波器

【推荐理由】本文提出了一种堆叠式长短期记忆网络，用于建模磷酸铁锂电池的复杂动力学，并通过电流、电压和温度测量值推断电池的SOC。使用从动态应力测试、US06测试和联邦城市驾驶计划中收集的数据对拟议网络进行培训和测试。从跟踪精度、计算时间、对未知初始状态的鲁棒性等方面评估了SOC估计的性能，并通过与基于模型的方法的对比成了较为系统的总结。

【关键插图】

图1：初始SOC=100%的SOC估算结果：（a）SOC跟踪；（b） 估计误差。

图2：初始SOC=60%的SOC估算结果：（a）SOC跟踪；（b）估计误差。

图3：使用DST数据集训练网络时，对FUDS数据集的SOC估计结果：（a）SOC从80%开始；（b）SOC从60%开始。

论文六：锂离子电池容量估算—一种结合迁移学习的卷积神经网络方法

【分类】迁移学习电池容量估计

【题目】Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning

【作者】Yihuan Li, Kang Li, Xuan Liu, et al.

【单位】School of Electronic and Electrical Engineering, University of Leeds, UK

【下载地址】https://doi.org/10.1016/j.apenergy.2020.116410

【摘要】在电动汽车和电网储能应用中，电池在线容量估计是电池管理系统维护电池性能和循环寿命的关键任务。卷积神经网络在电池容量估计方面显示出巨大的潜力，有数千个参数需要优化，需要大量的电池老化数据进行训练。然而，这些参数需要大量内存存储，而在实际应用中收集大量老化数据既耗时又昂贵。为了应对这些挑战，本文提出了一种新的框架，将迁移学习和卷积网络的概念结合起来，在一个相对较小的数据集上构建紧凑的卷积神经网络模型，以提高估计性能。首先，通过迁移学习技术，将预先训练在大型电池数据集上的卷积神经网络模型转移到目标电池的小型数据集，以提高估计精度。然后，提出了一种基于贡献的神经元选择方法，使用快速递归算法对传递的模型进行修剪，在保持模型性能的同时，减小了模型的大小和计算复杂度。该模型能够在任何时间实现快速在线容量估计，并在四个磷酸铁锂电池组收集的目标数据集上验证了其有效性，并与其他卷积神经网络模型进行了性能比较。测试结果表明，该模型在精度和计算效率方面优于其他模型，模型尺寸减少了68.34%，计算节省了80.97%。

【关键词】容量估计；卷积神经网络；锂离子电池；网络修剪；迁移学习

【推荐理由】本文提出了一种新的框架，将迁移学习和卷积网络的概念结合起来，在一个相对较小的数据集上构建紧凑的卷积神经网络模型，提高了估计性能，在保持模型性能的同时，减小了模型的大小和计算复杂度，能在任何时间实现快速在线容量估计。

【关键插图】

图1：数据的正则化，充电曲线片段和时间序列转换。

图2：模型的建立（1）预训练；（2）迁移学习参数；（3）模型修剪。

图3：PCNN(S)-TL模型估计结果。

论文七：一种基于支持向量机的退役锂离子电池高效筛选方法

【分类】电数据驱动老化电池筛选

【题目】An efficient screening method for retired lithium-ion batteries based on support vector machine

【作者】Zhongkai Zhou, Bin Duan, Yongzhe Kang, et al.

【单位】School of Control Science and Engineering, Shandong University, Jinan, China

【下载地址】https://doi.org/10.1016/j.jclepro.2020.121882

【摘要】随着电动汽车中大量锂离子电池的“退役”，如何再利用这些退役电池正在获得越来越多的关注。然而，由于退役电池的一致性较差，退役的电池组不适合直接重复使用。本文提出了一种基于支持向量机的有效的退役电池筛选方法。首先，将12个退役的LiFePO4电池模组分解成240个单元，并对其容量和电阻进行了测量和分析。其次，为了提高退役电池的筛选效率，采用基于高充电电流率的增量容量曲线，快速提取退役电池的容量特征和内电阻。随后，训练基于支持向量机的多类模型对退役电池进行良好的一致性分类。最后，通过训练后的模型将退役单体准确地划分为四类，分类准确率可达到96.8%。与传统方法相比，特征提取的时间减少了80%，大大提高了筛选效率。此外，还设计了一个电流测试系统，以比较由筛选后的电池单体重新组成的并联电池模块间各单体的电流差异。实验结果表明，与原电池模块相比，电流一致性显著提高，用于描述当前不一致性的标准差的平均值下降了约14倍。

【关键词】锂离子电池；支持向量机；电池筛选；增量容量曲线；二次利用

【推荐理由】本文为退役电池的筛选方法提供了新的思路。利用基于SVM的多类模型对退役电池的不一致性进行筛选，并根据筛选结果重新进行新的电池组的组建，有利于电动汽车退役电池的二次利用。

【关键插图】

图1：不同放电倍率下同以LFP电池的IC曲线。

图2：234个退役磷酸铁锂电池的IC曲线峰值坐标分布。

论文八：基于生成式对抗网络的电池组一致性建模

【分类】深度学习电池不一致性建模

【题目】Battery pack consistency modeling based on generative adversarial networks

【作者】Xinyuan Fan, Weige Zhang, Bingxiang Sun, et al.

【单位】Department of Electrical Engineering, Beijing Jiaotong University, Beijing, China

【下载地址】https://doi.org/10.1016/j.energy.2021.122419

【摘要】在电池组的工作条件下，电池组的一致性对电池组的整体性能有很大的影响。为了建立一个准确的电池组模型，我们需要建立一个电池组一致性模型。首先，我们使用一个高斯混合模型来拟合单个参数的统计特征。该方法可以准确地拟合参数分布中的偏度，并拟合可能出现的多峰特性。其次，我们利用生成对抗网络（GAN）构建了一个非参数电池组一致性模型。我们的一致性模型可以准确地描述单个参数的统计特征，并拟合参数之间的相关系数。使用GAN生成的电池参数的电池组模型与实验数据具有很高的相似性。仿真结果的相对误差对终端电压的相对误差小于0.6 %，能效效率（EUE）估计的相对误差小于0.3 %，证明了GAN一致性模型在拟合电池参数分布方面的优势。最后，我们在一个计算资源有限的嵌入式系统中实现了GAN一致性模型，证明了我们提出的模型能够在现有的BMS上正常运行。

【关键词】能量利用效率；电池组不一致性；不一致性建模；生成对抗网络；嵌入式系统

【推荐理由】本文为机器学习方法应用在电池组不一致性建模中的首次尝试。利用生成对抗网络，可以在仅有少量数据的情况下，生成与真实参数分布相匹配的合成数据，并使用这些合成数据进行电池组建模。

【关键插图】

图1：评论器的结构框图。

图2：生成器的结构框图。

图3：实验数据、生成参数的仿真结果和真实参数的仿真结果。(a)终端电压，(b)相对误差。

论文九：软包锂离子电池的三维分层电化学-热耦合模型

【分类】三维电化学热耦合模型

【题目】Three-dimensional layered electrochemical-thermal model for a lithium-ion pouch cell

【作者】Menxin Mei, Chen Liang, Jinhua Sun, Qingsong Wang.

【单位】State Key Laboratory of Fire Science, University of Science and Technology of China, Hefei, China.

【下载地址】https://doi.org/10.1002/er.5601

【摘要】软包锂离子电池的性能不能仅仅通过其外特性（如表面温度和电势）进行评估，因为电池内部的电化学和热特性会显著影响电池性能。然而，通过实验很难观察电池内部的热和电化学特性。本文提出了一种软包锂离子电池的三维分层电化学-热耦合模型，实验验证了几种放电倍率下模型的精度。根据该模型，分析了四种放电倍率下电池温度场分布和产热分布，提出了该电池的拟合曲面方程，根据放电倍率和放电深度能够粗略预测电池产热率。随后，从空间尺度研究了几种具有代表性的电化学特性（电势、电解质浓度、电极电流密度和离子传输），清楚地揭示了锂离子和电流在电池内部的传递过程。研究还表明，电极的平面和厚度都存在梯度，且厚度方向的梯度大于平面方向的梯度。电极极耳和电极之间的连接处存在较大的温度、锂离子浓度、电极电位和电流密度梯度。

【关键词】放电倍率；锂离子电池安全；软包锂离子电池；温度分布；三维分层模型

【推荐理由】本文提出了一种全耦合三维分层电化学-热耦合模型建模方法。在宏观尺度下，研究了电池的热行为和介观尺度（电池对）下的电化学行为。研究表明，在电极厚度和平面方向上的电化学性能都存在梯度，厚度方向梯度远大于平面梯度。该模型可以作为电化学模型的参照，用于开发简化的电化学模型。

【关键插图】

图1：软包锂离子电池内部示意图：(a)全电池内部的叠层结构，(b)电池单体计算域，(c)软包电池实物图，(d)极耳局部放大图。

图2：四种倍率下的模型验证：(a)测试平台，(b)电压曲线对比，(c)温升曲线对比，(d)~(g) 放电结束时温度分布红外图像与仿真的对比。

图3：几种放电深度和倍率下，软包电池的温度行为：(a)温度偏差，(c)放大后电池单体的温度场分布。

论文十：机器学习方法辅助高精度、低不确定性的老化模型参数辨识

【分类】机器学习老化模型参数辨识

【题目】Machine-Learning Assisted Identification of Accurate Battery Lifetime Models with Uncertainty

【作者】Paul Gasper, et al.

【单位】Energy Conversion and Storage Systems Center, National Renewable Energy Laboratory, Golden, Colorado, United States of America

【下载地址】https://iopscience.iop.org/article/10.1149/1945-7111/ac86a8

【摘要】由各种老化模式的代数表达式组成的降阶电池寿命模型，被广泛用于从加速老化测试外推到真实老化场景的退化趋势。识别具有高精度和低不确定性的模型对于确保模型外推可信至关重要，然而，很难组成准确预测多元数据趋势的表达式；文献中对循环老化模型的综述揭示了各种各样的功能关系。在此，利用一种机器学习辅助模型识别方法来拟合一个具有代表性的LFP-Gr老化数据集的老化，其不确定性通过自助重采样进行量化。在这项工作中确定的模型的结果大约是人类专家模型平均绝对误差的一半。通过转换为状态方程形式，并比较预测与电池在不同负荷下的老化，并验证模型。将参数不确定性引入到储能系统仿真中，以估计老化模型不确定性对系统寿命的影响。

【推荐理由】本文提出了一种机器学习辅助老化模型参数辨识的方法，该方法能够从大量的数据集中找出数据之间的隐藏关系，并且该关系式具有较高的准确性与较好的稳定性。

【关键插图】

图1：日历老化数据的拟合。

图2：老化模型参数与温度和SOC的拟合关系。

图3：缓慢老化阶段的老化模型参数与放电深度和电流倍率的关系。