近期，北京理工大学孙逢春院士团队在Cell Press旗下期刊Joule发表了题为“Deep neural network battery charging curve prediction using 30 points collected in 10 min”的研究论文。该研究提出了一种应用深度神经网络的充电曲线估计方法，为智能化电池管理的研发奠定了基础。

近年来，电池被广泛用作便携式电子设备、储能系统和新能源汽车等众多领域的核心能源材料器件，电池的实时健康监测和老化状态管控也逐渐成为用户关注的焦点。虽然目前已经有许多关于电池最大可用容量实时估计的研究工作，但仅关注最大可用容量往往无法及时、全面地认识电池老化的实际情况，进而导致电池管理、维护的疏忽误判，留下安全隐患。

北京理工大学孙逢春院士团队先进储能科学与应用课题组创新性地提出了一种应用深度神经网络的充电曲线估计方法，通过使用少量充电数据片段作为深度神经网络的输入，实现了电池老化过程中的完整恒流充电曲线估计，不再止步于最大可用容量的估计，打破了传统电池健康监测的局限性。文章中案例使用不到10分钟内采集的30个数据点便可准确估计完整的恒流充电曲线。由于恒流充电是电池日常工作中的相对稳定工况，恒流充电曲线估计可以进一步确定电池最大可用容量/能量、剩余容量/能量、容量微分曲线等关键状态。

电池老化测试硬件昂贵、耗时长，导致管理算法开发具有较高的人力时间成本。作为电池管理核心算法，文章所提出的方法具有迁移学习的优势，仅需要少量训练数据便可快速适用于不同规格的电池和不同应用场景，并且能够保持良好的充电曲线估计效果，有效降低了算法开发的试验测试需求，缩短了开发用时。这项研究工作为智能化电池管理的研发奠定了基础。

▌论文标题：
Deep neural network battery charging curve prediction using 30 points collected in 10 min
▌论文网址：
https://www.cell.com/joule/fulltext/S2542-4351(21)00247-6
▌DOI：

https://doi.org/10.1016/j.joule.2021.05.012

文章部分来源：CellPress细胞科学