梯次利用是安全环保地处置退役电池的有效方法。电动汽车的退役电池通常保持其初始容量的70%以上，仍可作为有价值的能量载体，应用于性能要求较低的系统。然而，低效的测试和不准确的性能估计导致的低经济可行性是大规模退役电池分级利用的主要瓶颈之一。
针对此问题，同济大学和上海炙云新能源科技有限公司提出了一种基于电化学阻抗谱和迁移学习的退役电池容量估计增强方法。
首先，在实验室中收集了经历多条件老化的电池的电化学阻抗谱，并直接提取了与电池性能高度相关的特征参数，以训练基本的容量估计模型。
进一步设计了一种基于特征匹配的迁移学习（FM-TL）方法，并在不同温度下测量的实验室电池数据和不同材料类型的退役电池数据集上得到了有效验证。
结果表明，所提出的方法降低了特定退役电池的重复测试、建模和训练的成本，同时保持了容量估计的准确性。
相关工作近期已在国际交通电动化杂志eTransportation上发表。
原文获取：
https://doi.org/10.1016/j.etran.2024.100362
研究方法
本研究的整体流程图如图1所示。具体地，收集了小容量实验室电池和两种大容量退役电池的阻抗数据，如图2所示。从阻抗中提取了与电池容量高度相关的实部和幅值序列作为特征参数序列，并使用25°C下测得的实验室电池的数据训练了基础的容量估计模型。所提出的基于特征匹配的迁移学习方法的关键是通过线性变换实现目标域样本和源域中最佳匹配对象之间的特征映射。仅通过调整新添加层的权重来适应输入特征和输出标签之间关系的变化。在不同温度下测得的实验室数据集和不同材料类型的退役电池数据集上对所提出的迁移学习方法进行了验证，实现了高精度的容量估计。
图1 所提出的退役电池容量估计方法流程图
结果与讨论
为了验证所提取的阻抗特征参数序列在容量估计中的有效性，采用多重测试方法来估计实验室电池的容量。在25°C下对三个随机选择的细胞测量的EIS数据用于训练，其余细胞用于测试。图2显示了容量估计结果，各电池的估计容量都非常接近实际结果，没有受到历史循环工况的影响。该结果表明，可以基于阻抗建立具有足够精度的容量估计模型，这为迁移至各种操作条件和电池类型的数据提供了坚实的基础。
图2 实验设置和测试流程（a）实验室电池的测试流程（b）电池#01和#03的老化工况（c）电池#02和#04的老化工况（d）两种类型的退役电池
图3 基于25度下测量的阻抗的实验室电池容量估计结果（a）~（d）分别是4个实验室电池的估计结果
为了评估所提出的迁移学习方法在增强基础模型学习能力方面的有效性，将基础模型迁移至不同温度下的实验室电池数据集。图4（a）~（d）显示了每个目标域的估计结果。无论阻抗的测量温度如何，估计容量始终收敛到实际容量。这一发现证明，所提出的方法使基础模型实现了令人满意的适应性，以处理在不同温度下测量的阻抗数据，即使温度变化导致阻抗的幅度和形状发生变化。
将所提出的基于特征匹配的迁移学习方法与其他再训练或迁移方法进行了进一步比较，估计误差如图4（e）所示。总体而言，所提出的FM-TL方法可以获得更稳定可靠的容量估计结果。原因是FM-TL方法可以识别源域中与目标域中的单元标签偏差较小的单体进行迁移，避免了直接使用随机选择的训练数据对基础模型进行再训练或微调而导致的潜在错误。
图4 迁移至不同温度下测得的阻抗数据的容量估计结果（a）~（d）分别在5、15、35和45°C下测量（e）不同TL方法的估计误差
对于容量分布相对集中的退役镍钴锰电池，所提出的FM-TL方法可以成功识别其中的低容量电池，如图5（a）所示。与其他迁移方法相比，如图5（b）所示，只有匹配基本特征数据的FM-TL方法才能在差异如此之大的数据集之间建立有效的传输通道。对于具有宽容量分布范围的退役磷酸铁锂电池，所提出的FM-TL方法也有效地跟踪了容量差异，如图5（c）所示。同样，如图5（d）所示，FM-TL方法仍然表现出最佳的准确性，其有效地提高了基础模型在退役电池数据集上的泛化性能，表现出很高的鲁棒性。
图5 退役电池容量估计结果（a）和（c）分别是两款退役电池的估计结果（b）和（d）分别是两款退役电池的估计误差
总结
为了满足退役电池性能估算的快速准确应用要求，本研究提出了一种基于电化学阻抗谱和迁移学习的退役电池容量估计方法。该方法利用阻抗作为特征输入，克服了历史操作条件的影响，同时显著减少了测试时间，每个电池的阻抗检测时间仅为1.67分钟。有效的迁移学习方法降低了特定电池的重复测试、建模和训练的成本，同时保持了容量估计的准确性。只需少量的样本输入，基本模型就可以迁移到不同测试温度的实验室电池和具有不同材料系统的退役电池中。特别是由于实验室电池和退役电池之间的容量存在显著差异，直接使用基础模型来估计退役电池的容量会导致重大误差。与其他方法相比，提出的基于特征匹配的迁移学习方法可以稳定地获得更高的精度结果。对于退役镍钴锰电池，MAPE和RMSPE分别达到2.33%和2.75%，而对于退役磷酸铁锂电池，MAPE和RMSPE分别为4.12%和5.04%。
结果表明，所提出的方法具有良好的泛化能力，可以克服测试条件、电池类型和应用场景的局限性。这一进步有助于提高大规模退役电池分级的效率，并为促进更有效的决策过程注入新的动力。
-END-
国际交通电动化杂志
eTransportation
文章类型
文章类型涵盖：
研究（Research）
综述（Review
短通讯（Short Communication）
观点（ Perspective）
评述（Commentary）
论坛（Forum）
其他（Data paper, conference等）。
论文投稿
https://www.editorialmanager.com/etran
论文下载
https://www.sciencedirect.com/journal/etransportation
扫码阅读更多文章
eTransportation | 交通电动化
欢迎投稿
eTransportation | 交通电动化
联系我们
如有任何学术问题研讨、投稿咨询、编委申请，以及论文全文获取等请与我们联系。
Email:dujiuyu@tsinghua.edu.cn
etransport@tsinghua.edu.cn
微信联系
交通电动化，有你更美好！
