作者/文龙

从便携式电子产品到电动汽车，可充电锂离子电池在我们日常生活中无处不在。无论哪种应用场景，一个高效可靠的电池健康管理系统，对于确保电动汽车和混合动力汽车的安全性和耐用性来说都是至关重要的。

近日，来自英国和美国的联合研究团队报告了他们设计的基于机器学习的电池健康状态（SOH）估算方法，该方法针对现行的充电协议进行改造，具有广泛的适用性以及很强的扩展性。

相关研究成果于4月5日以「用于电池健康状态估计的机器学习管线」（Machine learning pipeline for battery state-of-health estimation）为题发表在《自然·机器智能》（Nature Machine Intelligence）杂志上。

锂离子电池会随着时间而老化，表现为容量损失和阻抗增加。电池SOH是一个用于量化电池现况的参数，该参数以电池未使用状态能够提供的性能为基准，可以预测电池预期的寿命。两种目前广泛采用的估算SOH的建模技术分别是等效电路模型和电化学模型，但都很难在准确性和计算效率之间取得令人满意的折衷。

因此，研究人员选择使用数据驱动模型，设计了基于机器学习的解决方法，命名为电池运行状况和不确定性管理流水线（BHUMP）。该方法根据充放电曲线设计特征，将学习分为两个阶段：首先执行离线自动特征选择，用对抗性示例扩充数据集；接着借助四种机器学习算法在线估计电池运行状况和相关的不确定性。

图示：不确定性的量化（来源：论文）

该团队在总共179种不同的电池中进行实验，验证了BHUMP估算得更为准确，并且能够在电池生命周期的任何时间点下估算出15分钟内电池SOH的变化。

BHUMP的实际适用性

BHUMP可以补充电池管理系统，以进行SOC和SOH估算，并完全替代传统的等效电路模型。研究人员表示：「我们设想，机器学习管线将成为将来设计和实现电池管理系统时使用的标准技术。」

与传统方法相比，新方法具有一系列好处，包括对充电协议和放电电流速率的适应性，且无需了解电池设计、化学和工作温度即可进行预测。传统的方法依赖于在完全充放电条件下测量电池容量，但BHUMP可以从充电曲线的各个部分估计容量衰减，从而适应各种运行条件。

针对未来在电动汽车上的应用，他们强调：「BHUMP可以实时估算出电动汽车电池组在常规运行的快速充电和随机放电情况下的容量衰减。」准确的SOH估算可将不确定性输入到充电状态（SOC）中，从而改善电池性能，并最终延长电池寿命。

该团队未来的工作可能会进一步扩展到其他充放电协议和开源数据集，并且将充电过程中的温度变化对充电曲线的影响考虑在内。同时，他们指出：「我们认为尽管实现了低错误，但是任何算法都必须在实际部署之前进行不确定性量化检查。」

关于Auto Byte

Auto Byte 为机器之心推出的汽车技术垂直媒体，关注自动驾驶、新能源、芯片、软件、汽车制造和智能交通等方向的前沿研究与技术应用，透过技术以洞察产品、公司和行业，帮助汽车领域专业从业者和相关用户了解技术发展与产业趋势。

欢迎关注标星，并点击右下角点赞和在看。