西安交大徐俊课题组EnSM：利用无标签充电数据改善锂电池健康状态估计|能源学人

【研究背景】

不可避免的容量退化是锂离子电池当前面临的最紧迫、最具挑战的问题之一。电池的容量退化一般用健康状态（SOH）来描述，准确、可靠的SOH估计对电池管理系统至关重要。近年来，尽管基于数据驱动的SOH估计已得到了快速发展，然而它们的实际应用仍然面临着数据和特征层面的两个主要挑战。首先，现有的大多数基于监督学习的SOH估计方法的性能受限于大量珍贵的有标签数据的规模。然而，通过老化实验获取有标签数据极其耗时且成本高昂。其次，复杂耗时的健康特征构建过程极大地阻碍了这些方法的实际应用。缺乏机理解释的健康特征进一步降低了SOH估计模型推广的信心。

【工作介绍】

近日，西安交通大学徐俊课题组利用电池短时充电数据，提出了一种基于半监督协同训练的SOH估计框架。该框架将大量的无标签现场数据和有限的有标签实验数据相结合进行SOH估计，仅需充电过程少量片段数据，结合两个异质回归器的协同训练，实现了更加准确、鲁棒的锂电池在线SOH估计。同时，利用增量容量分析和核密度分析为所提取的三个健康特征赋予深层机理解释。系统性的实验验证表明，仅利用1块电池的有标签数据，该方法的精度相比两个监督学习基线提高了53%和26%，同时大幅优于六种流行的基于机器学习和深度学习的SOH估计方法。相关研究成果以“Improving state-of-health estimation for lithium-ion batteries via unlabeled charging data“为题发表于国际知名期刊《Energy Storage Materials》（IF=20.831）。2022级博士研究生林川平为该论文的第一作者，徐俊副教授为通讯作者，合著作者还有长江学者梅雪松教授。论文工作得到了国家自然科学基金（52075420）和国家重点研发计划重点专项（2020YFB1708400）的支持。

【内容表述】

1. 基于半监督学习的SOH估计方法

图1 基于半监督学习的SOH估计框架概览

如图1所示，所提基于半监督学习的SOH估计框架包括离线训练和在线测试两个阶段。在离线阶段，首先，从少量的电池老化实验中提取三个短时、可解释的健康特征分别训练一个k近邻（KNN）回归模型和一个支持向量回归（SVR）模型。然后，这两个训练好的回归器用于预测现场的无标签充电数据并得到相应的伪标签（pseudo-labels）。无标签特征集及其伪标签用于扩充另一个回归器的训练集并用于下一轮的训练。当相邻迭代的伪标签预测没有明显差异时可终止“互相标记“的迭代训练过程，保存最终的KNN和SVR模型方便在线快速调用。在线测试阶段，从被测试的数据中提取前述健康特征输入到KNN与SVR中，以它们预测的均值作为最终预测结果，从而完成在线SOH估计。

针对三种不同电极材料、不同老化工作条件的电池，从恒流充电0.1V的电压片段提取三个短时的健康特征：充电时间（

）、电压标准差（

）和电压偏度（

）。它们与电池SOH的演化关系如图2所示。由于恒流充电，固定电压段的充电时间即可代表该电压段的充入容量，与增量容量（IC）峰面积相对应，而IC峰面积随电池老化的演化已被很多文献报道与锂电池的锂存量（LLI）损失和锂活性材料（LAM）损失强相关。另一方面，电压标准差和偏度可视为充电电压曲线退化的不同度量，代表总能量的耗散，与电池内阻的累积效应显著相关。总之，所提取的三个特征除了短时、简单易提取的优点外还具有高可解释性，这些优势为电池SOH估计模型的实用性和推广提供了信心。

图2 健康特征与SOH的三维关系图

2. SOH估计结果与分析

本文选择两个传统监督学习案例作为基准模型，并且报道了Oracle结果，它们与所提半监督（SSL）算法在数据和模型层面的对比如图3所示。

图3 四种SOH估计方法的数据与模型对比

图4展示了三个数据集上测试电池的SOH估计结果。可以看出所提半监督方法（红色）相比两个基准有显著的精度提升，尤其当基准方法在个别循环出现极大误差时，所提方法仍能将估计误差控制在很小的范围内。与基于监督学习的基准B1和基准B2相比，所提方法在三个数据集上的平均SOH估计精度分别提高了47%和21%。

图4 三个数据集上SOH估计结果

当有标签实验数据减少到仅1块电池时（Group 4），所提半监督方法仍具有较高的估计精度，并且与基准B1和基准B2相比，所提方法因有标签数据减少而引起的性能下降更轻微，如图5（a）所示。另一方面，无标签数据减少对所提半监督方法的影响如图5（b）所示。与传统监督学习方法（0% baseline）相比，只要有一部分无标签数据引入所提出的半监督框架，SOH估计误差就会下降。所提方法的SOH估计误差随无标签数据量的增加而降低，当只引入10%无标签样本时，所提方法的精度就可提升18%。这些结果表明所提出的半监督方法能够有效利用无标签数据显著改善SOH估计性能，具有广阔的应用前景。

图5 SOH估计误差（a）有标签数据减少前后的影响（b）无标签数据减少的影响

电压区间对SOH估计的影响如图6所示，高精度的电压区域（Region 1）与增量容量曲线的峰值区域相对应，这些结果与特征的物理解释相一致。在实际应用中，仅需一两个早期循环，增量容量分析（ICA）可作为提前确定有希望的电压区间的有效工具。

图6 电压区间对SOH估计的影响

最后，将所提基于半监督的SOH估计方法与主流的三种基于机器学习（ML）和三种基于深度学习（DL）的监督学习方法进行对比，三个数据集的SOH估计误差如图7所示。所提方法在所有测试电池上都取得了最高的估计精度，这进一步证明了所提方法的优越性。

图7 所提方法与基于ML和DL方法的SOH估计误差对比

【结论】

当前数据驱动的SOH估计方法的性能通常受限于可用的标记数据的规模。在本文中，我们提出了一种新型的半监督学习（SSL）方法，通过利用未标记的数据，可以显著提高SOH估计性能。仅使用1块电池作为有标记数据，所提方法在其他7块电池的平均RMSE为0.55%，相比两个监督学习基线提高了53%和26%，超过了一种基于监督学习的SOTA方法。与六种基于机器学习和深度学习的监督学习方法相比，所提方法在所有测试案例上都显示出最优越的性能。总之，这项工作突出了使用工业现场未标记数据来改善SOH估计的巨大潜力。

Chuanping Lin, Jun Xu and Xuesong Mei, Improving state-of-health estimation for lithium-ion batteries via unlabeled charging data, Energy Storage Materials.

https://doi.org/10.1016/j.ensm.2022.10.030.

通讯作者简介

徐俊，西安交通大学副教授、博导，绿能慧充-西安交大数字能源研究院院长，恩狄-西交储能逆变研究院院长，IEEE高级会员，陕西省电源学会副理事长、分会理事长，陕西省汽车工程学会青工委主任委员，西安市机械工程学会副理事长。长期致力于电动汽车能源管理技术和机电系统控制领域的研究，主持包括国家重点研发计划重点专项课题、工信部项目子课题、国家自然科学基金等项目30余项，发表相关学术论文80余篇，其中ESI高被引论文3篇，授权发明专利20余项。担任Frontiers in Energy Research（IF 3.858）期刊副主编，Energies（IF 3.252）期刊主题编辑，《工业加热》期刊编委，《西安交通大学学报》期刊青年编委，Energy Reports (SCI IF 4.937)等多个高水平期刊客座主编，50余个国内外高水平期刊论文评审专家，JPS和Energy杰出审稿专家。先后多次担任国内外学术会议大会主席、大会联合主席、大会程序委员会主席、大会组委会联合主席、程序委员会主席，受邀做主旨报告与特邀报告多次。以第一完成人获中国产学研合作创新奖、陕西省高等学校科学技术奖一等奖、中国发明创业奖·成果奖二等奖，以第二完成人获陕西省教学成果二等奖、校教学成果特等奖等奖励。

联系邮箱：

xujunx@xjtu.edu.cn

个人主页：

xujunx.gr.xjtu.edu.cn

钨酸钴结构对称性破缺助力赝电容存储的氧化还原动力学

2022-10-30