首页 > 资讯 > 锂离子电池健康和寿命预测新突破：里程修正与图像化数据的应用

锂离子电池健康和寿命预测新突破：里程修正与图像化数据的应用

泰然健康网
2025-06-09 15:32

01储能技术的重要性

储能技术，作为推动我国“碳达峰碳中和”战略布局及全球温室气体“净零排放”长远目标实现的关键支撑，其重要性日益凸显。锂离子电池，作为当前应用最广泛的储能技术之一，虽性能卓越，但在使用过程中不可避免地会出现性能衰减和安全风险上升的问题。因此，准确评估并预测其健康状态（State of Health，简称SOH）成为了提升锂离子电池系统安全性和经济性的核心挑战。同时，对锂离子电池早期退化阶段的精准寿命预测，不仅对电池的研发至关重要，也直接影响着其实际应用。然而，由于锂离子电池的老化和退化机制相当复杂，且早期退化特征不明显，现有的健康状态估计和寿命预测算法仍面临精度和泛化能力方面的挑战。

02杨恒昭课题组的研究进展

> 电动客车容量轨迹预测框架

近期，上海科技大学信息科学与技术学院智慧电气科学中心（CiPES）的杨恒昭教授课题组（储能实验室）在锂离子电池的健康状态估计和寿命预测方面取得了重要进展。相关研究成果以上海科技大学为第一完成单位，已分别在储能领域国际期刊Journal of Energy Storage和电力电子领域国际期刊IEEE Transactions on Power Electronics上发表。杨恒昭课题组开发了一种新框架，通过里程修正提高电池容量预测精度，MAE和RMSE均控制在较低水平。

杨恒昭课题组充分利用新能源汽车国家大数据联盟提供的200辆电动客车2019年全年的实际运行数据，创新性地提出了一种锂离子电池容量轨迹预测框架。该框架巧妙地将行驶里程融入传统的安时积分法中，通过XGBoost模型对放电容量进行更为精准的估算。经过深入研究，课题组成功提取了9个与电池状态和车辆行驶行为紧密相关的特征，并构建了基于双向长短期记忆网络（BiLSTM）的序列到序列（Seq2Seq）电池容量轨迹预测模型。利用此框架，他们对两款电动客车（Model A和Model B）共12辆在两种不同行驶场景下的电池容量轨迹进行了详细预测。结果显示，最大平均绝对误差（MAE）和最大均方根误差（RMSE）均控制在较低水平，分别不超过0.78%和0.94%，充分证明了该框架在电池容量估计和预测方面的卓越性能。

图1展示了基于里程修正的电池容量估计方法。

图2展示了电池容量轨迹的预测框架。

图3展示了电池容量轨迹预测的误差情况。这一研究成果已经以“A Battery Capacity Trajectory Prediction Framework with Mileage Correction for Electric Buses”为题，发表在Journal of Energy Storage期刊上。论文的第一作者是信息学院2023级硕士研究生徐艺菲，而通讯作者是杨恒昭教授。

> 锂离子电池超早期寿命预测

课题组创新性地提出基于图像化单循环数据的方法，提升模型泛化能力，实现低误差的寿命预测。为了解决锂离子电池的超早期寿命预测难题，杨恒昭团队创新性地提出了一种基于图像化单循环数据的预测框架。该框架巧妙地运用滑动窗口技术，将原始时序数据分割成多个子序列，并通过计算任意两个子序列之间的欧几里得距离来衡量它们的相关性，从而构建出一个N×N的图像。这一转化使得卷积神经网络（CNN）能够更有效地从单循环数据中提取有价值的信息，显著增强了模型的泛化能力。此外，该框架还成功将电压、电流和容量数据转换为图像数据，并进一步融合为三通道图像，输入到经过特别设计的AlexNet模型中，从而实现了对锂离子电池的超早期寿命预测。通过在公开电池数据集上的验证，该框架展现出了卓越的预测性能，均方根误差（RMSE）仅为76.81个循环，平均绝对百分比误差（MAPE）控制在7.05%以内，决定系数（R2）高达0.9178，充分证明了其在电池寿命预测方面的实用性和准确性。

图4展示了锂离子电池超早期寿命预测的完整框架。

图5展示了所提出的方法（“Full”模型）与基于特征的方法在预测结果上的对比，包括（a）均方根误差（RMSE），（b）平均绝对百分比误差（MAPE），以及（c）决定系数（R2）。

该研究成果已成功发表于IEEE Transactions on Power Electronics期刊，论文题目为“基于可视化单周期数据的锂离子电池循环寿命超早期预测”。杨文进（信息学院2022级硕士研究生）担任第一作者，杨恒昭教授担任通讯作者。研究过程中，上海空间电源研究所的总研究师解晶莹和上海航天电源技术有限责任公司的工程师闵凡奇提供了宝贵的支持。