Shuxin Zhang · Zhitao Liu · Yan Xu · Hongye Su · IEEE Transactions on Industrial Informatics · 2024年9月

锂离子电池健康状态估计是电池管理系统的关键环节，现有方法主要基于机理模型或数据驱动方法。本文提出一种融合机理知识与数据驱动的物理信息混合多任务学习框架，可在电池早期寿命阶段实现全生命周期老化状态估计。通过引入混合老化模式特征，融合电极级健康状态与数据驱动信息，构建电化学机理指导的多任务生成模型，用于估计固相颗粒与电解质中的Li⁺浓度动态。采用电极级状态约束训练策略，确保模型符合因果性。在三个电池数据集上验证了从电化学到单体层面的老化状态估计性能。相比传统方法，所提方法在估计精度与实时性方面均表现...

解读: 该物理信息混合多任务学习技术对阳光电源储能产品线具有重要应用价值。在PowerTitan大型储能系统和ST系列储能变流器的BMS中，可实现电池早期寿命阶段的全生命周期老化预测，显著提升电池健康状态估计精度。通过融合电化学机理模型与数据驱动方法，能在iSolarCloud云平台实现电极级健康状态监测与...