工业工程与管理系潘尔顺教授、陈震副教授课题组提出一种电池健康状态评估方法，能够精确捕捉电池退化情况并应用于电化学储能系统中。近日，该课题组在Cell Press旗下期刊Cell Reports Physical Science上发表了题为“Battery health prognosis in data-deficient practical scenarios via reconstructed voltage-based machine learning”的研究论文，提出面向储能电站不完整数据场景的电池健康状态预测方法，博士生吴伟为论文第一作者，陈震副教授、潘尔顺教授为共同通讯作者，夏唐斌教授、东华大学周笛副教授为论文共同作者。
锂离子电池储能电站实际运行中，电池管理系统（BMS）采集的循环充放电数据存在显著不完整与碎片化特征，导致数据驱动的健康状态（SOH）预测面临双重挑战。一方面，对比实验室标准循环（电压范围2.0-3.6V），安全协议约束下的实际非满充满放循环（电压范围3.0-3.4V）数据不完整，使得基于理想充放电数据的健康特征提取方法失效，且动态工况下监测容量与实际容量易产生系统性偏差。另一方面，受运营成本和数据存储成本限制，全生命周期连续退化数据难以获取，而基于随机的碎片化数据进行外推建模，会加剧预测的不确定性。这些数据缺陷与工况动态特性，严重制约了现有预测技术在工程应用中的泛化能力。
论文提出了一种基于电压曲线重构与机器学习的电池健康状态评估方法。通过深入分析现有方法在多变工况和监测数据不完整场景下的局限性，开发出一种基于放电电压重构曲线，实现电池容量数据增强和健康状态预测的框架。基于储能电站实测工况，该研究在电池测试实验室生成了四种不同工作条件下的电池老化循环数据集。研究提出的方法在该数据上的测试结果表明，放电电压重构模型能有效拟合完整的放电曲线，并支持基于物理信息的健康特征提取，而机器学习模型能有效处理小样本下的随机碎片化数据，并能快速训练和适应不同的序列预测任务。该方法能够根据多层级的不完整电池循环数据精确捕捉电池退化情况，还能广泛应用于电化学储能系统及储能电站健康管理系统中。
研究工作得到了国家自然科学基金等项目的资助。
论文链接：
https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00041-4
学院OA系统
jAccount登录
ENGLISH
地址：上海市东川路800号上海交通大学闵行校区机械与动力工程学院
邮编：200240
Email：sjtume@sjtu.edu.cn