近日，汽车工程学院特聘副教授李俊夫团队针对服役锂离子电池内部状态感知困难的问题，采用电化学机理与数据驱动融合的技术路线，提出了一种基于合成数据和卷积神经网络（CNN）的电池电化学参数在线辨识方法，揭示了电池实测外特性数据与内部状态之间的映射关系。研究成果以《基于电化学合成数据与深度学习的锂离子电池参数在线辨识方法研究》（Deep learning method for online parameter identification of lithium-ion batteries using electrochemical synthetic data为题发表在材料领域国际顶刊《Energy Storage Materials》（影响因子为18.9，SCI一区TOP，JCR Q1）上。

随着电池的使用，其内部会经历复杂的物理化学变化，导致电池性能衰退。准确感知电池的内部状态并精确识别其参数，对于制定有效的电池健康安全管理策略至关重要。随着人工智能技术的不断发展，将深度学习技术与电化学机理相结合，为开展高水平的电池管理开辟了新的技术赛道。然而，在实际应用中，特别是在训练数据有限的情况下，如何基于深度学习技术建立电池实测数据与电化学参数之间的映射关系面临诸多困难。

针对这一挑战，研究团队构建了锂离子电池电化学模型，并从电池充放电曲线中提取9个与电化学参数紧密相关的特征；基于模型参数离线辨识结果，通过多项式拟合与模型仿真，合成大量的电化学参数-充放电特征数据集；为了优化网络训练效果，采用主成分分析-空间聚类方法对上述合成数据进行筛选，得到适用于卷积神经网络训练的电池内外特性数据；最后针对3节LiCoO₂电池的全生命周期数据，对提出的参数在线辨识方法进行了精确性和可靠性验证。

该研究成果由校区与重庆大学合作完成，李俊夫为第一作者，硕士研究生李骁龙为学生第一作者。该研究工作得到了山东省青年自然科学基金项目的资助。

数据-机理融合驱动的电化学参数在线辨识研究框架

文章链接: https://doi.org/10.1016/j.ensm.2024.103697