鋰離子電池準(zhǔn)確健康狀態(tài)（SOH，state of health）估計(jì)對(duì)于電池系統(tǒng)的高效、健康和安全運(yùn)行至關(guān)重要。車路云集成系統(tǒng)被認(rèn)為有潛力將自動(dòng)駕駛推向高級(jí)階段，而在這一框架下，云電池管理系統(tǒng)（BMS，battery management system）成為了研究熱點(diǎn)之一。從高度隨機(jī)和噪聲的數(shù)據(jù)片段中提取有效的老化信息、開發(fā)SOH估計(jì)算法并有效處理基于云的電池管理系統(tǒng)的大規(guī)模計(jì)算需求，是這一研究面臨的主要挑戰(zhàn)。

為此，清華大學(xué)深圳國(guó)際研究生院夏必忠副研究員、張璇副教授團(tuán)隊(duì)提出了一種用于SOH估計(jì)的精確、魯棒和可泛化的量子卷積神經(jīng)網(wǎng)絡(luò)（QCNN，quantum convolutional neural network）模型，該模型僅使用少量放電數(shù)據(jù)，且可與噪聲中尺度量子計(jì)算云平臺(tái)兼容。本工作證明了量子編碼對(duì)于從有限放電數(shù)據(jù)中提取的健康因子（HIs，health indicators）自動(dòng)特征融合的有效性，強(qiáng)調(diào)了模型在處理隨機(jī)和噪聲數(shù)據(jù)時(shí)提升SOH估計(jì)準(zhǔn)確性、魯棒性和泛化性的潛力，是一種在SOH估計(jì)中利用量子計(jì)算能力的新范式。

該工作的整體流程如圖1所示。首先，團(tuán)隊(duì)利用來(lái)自4個(gè)數(shù)據(jù)集的數(shù)據(jù)，包括272個(gè)電池，涵蓋5種化學(xué)成分、4種額定參數(shù)和73種使用條件，基于增量容量曲線峰值，為每個(gè)電池設(shè)計(jì)了5個(gè)小至0.3V的電壓窗口，用于生成隨機(jī)SOH估計(jì)場(chǎng)景。團(tuán)隊(duì)提取了3個(gè)有效的HIs序列，使用量子旋轉(zhuǎn)門編碼在不同維度對(duì)三種HIs進(jìn)行表示，實(shí)現(xiàn)自動(dòng)特征融合。隨后，團(tuán)隊(duì)設(shè)計(jì)了一個(gè)基于變分量子電路的QCNN模型，無(wú)需激活函數(shù)，可有效減小計(jì)算復(fù)雜度，且具有很強(qiáng)的非線性表達(dá)能力。

圖1.使用QCNN估計(jì)SOH的整體流程

如圖2所示，隨著電壓窗口的增加，數(shù)據(jù)集的模型性能有所改善。團(tuán)隊(duì)以增量容量曲線峰值為中心，考慮電壓平臺(tái)區(qū)為每種電池選擇合適的電壓窗口。

圖2.不同電壓窗口的模型誤差分布。圖（a）、（b）、（c）、（d）、（e）表示五種電池類型的誤差分布箱形圖。每個(gè)圖由四個(gè)子圖組成，每個(gè)子圖對(duì)應(yīng)一項(xiàng)評(píng)估指標(biāo)：RMSE、R2、MAE和 MAPE。每個(gè)圖中的五種顏色表示對(duì)應(yīng)的五個(gè)電壓窗口

如圖3所示，QCNN模型在三個(gè)數(shù)據(jù)集上的表現(xiàn)優(yōu)于其他三種模型。QCNN在CALCE數(shù)據(jù)集上的表現(xiàn)也與表現(xiàn)最佳的CNN和LSTM模型相當(dāng)。與MLP模型（即沒有量子卷積層的QCNN）相比，QCNN顯示出顯著改善，其RMSE至少改善了28%，R2始終超過96%，證明了量子卷積層在數(shù)據(jù)挖掘中的有效性。此外，與具有相同數(shù)量卷積層的類似CNN相比，MAE減少了18%。

圖3.QCNN與其他模型的誤差分布：圖（a）、（b）、（c）、（d）表示四個(gè)電池?cái)?shù)據(jù)集的誤差分布概率密度圖。每個(gè)圖由四個(gè)子圖組成，代表四項(xiàng)評(píng)估指標(biāo)：RMSE、R2、MAE和MAPE。每個(gè)圖中的四種顏色表示四種SOH估計(jì)模型：MLP、CNN、LSTM和QCNN

該工作展示了一種用于估計(jì)鋰離子電池SOH的量子卷積神經(jīng)網(wǎng)絡(luò)：使用小于0.3V的部分放電數(shù)據(jù)片段，基于量子旋轉(zhuǎn)門實(shí)現(xiàn)特征提取和特征融合，并基于量子卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)SOH估計(jì)，具有良好的估計(jì)準(zhǔn)確性、魯棒性和泛化性。該工作對(duì)于云BMS系統(tǒng)利用量子計(jì)算能力進(jìn)行SOH估計(jì)具有重要意義。

相關(guān)研究成果以“基于量子卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)特征融合的鋰離子電池隨機(jī)健康狀態(tài)估計(jì)”（Stochastic state of health estimation for lithium-ion batteries with automated feature fusion using quantum convolutional neural network）為題，于3月10日發(fā)表于《能源化學(xué)》（Journal of Energy Chemistry）。

鋰離子電池準(zhǔn)確健康狀態(tài)（SOH，state of health）估計(jì)對(duì)于電池系統(tǒng)的高效、健康和安全運(yùn)行至關(guān)重要。車路云集成系統(tǒng)被認(rèn)為有潛力將自動(dòng)駕駛推向高級(jí)階段，而在這一框架下，云電池管理系統(tǒng)（BMS，battery management system）成為了研究熱點(diǎn)之一。從高度隨機(jī)和噪聲的數(shù)據(jù)片段中提取有效的老化信息、開發(fā)SOH估計(jì)算法并有效處理基于云的電池管理系統(tǒng)的大規(guī)模計(jì)算需求，是這一研究面臨的主要挑戰(zhàn)。

為此，清華大學(xué)深圳國(guó)際研究生院夏必忠副研究員、張璇副教授團(tuán)隊(duì)提出了一種用于SOH估計(jì)的精確、魯棒和可泛化的量子卷積神經(jīng)網(wǎng)絡(luò)（QCNN，quantum convolutional neural network）模型，該模型僅使用少量放電數(shù)據(jù)，且可與噪聲中尺度量子計(jì)算云平臺(tái)兼容。本工作證明了量子編碼對(duì)于從有限放電數(shù)據(jù)中提取的健康因子（HIs，health indicators）自動(dòng)特征融合的有效性，強(qiáng)調(diào)了模型在處理隨機(jī)和噪聲數(shù)據(jù)時(shí)提升SOH估計(jì)準(zhǔn)確性、魯棒性和泛化性的潛力，是一種在SOH估計(jì)中利用量子計(jì)算能力的新范式。

該工作的整體流程如圖1所示。首先，團(tuán)隊(duì)利用來(lái)自4個(gè)數(shù)據(jù)集的數(shù)據(jù)，包括272個(gè)電池，涵蓋5種化學(xué)成分、4種額定參數(shù)和73種使用條件，基于增量容量曲線峰值，為每個(gè)電池設(shè)計(jì)了5個(gè)小至0.3V的電壓窗口，用于生成隨機(jī)SOH估計(jì)場(chǎng)景。團(tuán)隊(duì)提取了3個(gè)有效的HIs序列，使用量子旋轉(zhuǎn)門編碼在不同維度對(duì)三種HIs進(jìn)行表示，實(shí)現(xiàn)自動(dòng)特征融合。隨后，團(tuán)隊(duì)設(shè)計(jì)了一個(gè)基于變分量子電路的QCNN模型，無(wú)需激活函數(shù)，可有效減小計(jì)算復(fù)雜度，且具有很強(qiáng)的非線性表達(dá)能力。

圖1.使用QCNN估計(jì)SOH的整體流程

如圖2所示，隨著電壓窗口的增加，數(shù)據(jù)集的模型性能有所改善。團(tuán)隊(duì)以增量容量曲線峰值為中心，考慮電壓平臺(tái)區(qū)為每種電池選擇合適的電壓窗口。

圖2.不同電壓窗口的模型誤差分布。圖（a）、（b）、（c）、（d）、（e）表示五種電池類型的誤差分布箱形圖。每個(gè)圖由四個(gè)子圖組成，每個(gè)子圖對(duì)應(yīng)一項(xiàng)評(píng)估指標(biāo)：RMSE、R2、MAE和 MAPE。每個(gè)圖中的五種顏色表示對(duì)應(yīng)的五個(gè)電壓窗口

如圖3所示，QCNN模型在三個(gè)數(shù)據(jù)集上的表現(xiàn)優(yōu)于其他三種模型。QCNN在CALCE數(shù)據(jù)集上的表現(xiàn)也與表現(xiàn)最佳的CNN和LSTM模型相當(dāng)。與MLP模型（即沒有量子卷積層的QCNN）相比，QCNN顯示出顯著改善，其RMSE至少改善了28%，R2始終超過96%，證明了量子卷積層在數(shù)據(jù)挖掘中的有效性。此外，與具有相同數(shù)量卷積層的類似CNN相比，MAE減少了18%。

圖3.QCNN與其他模型的誤差分布：圖（a）、（b）、（c）、（d）表示四個(gè)電池?cái)?shù)據(jù)集的誤差分布概率密度圖。每個(gè)圖由四個(gè)子圖組成，代表四項(xiàng)評(píng)估指標(biāo)：RMSE、R2、MAE和MAPE。每個(gè)圖中的四種顏色表示四種SOH估計(jì)模型：MLP、CNN、LSTM和QCNN

該工作展示了一種用于估計(jì)鋰離子電池SOH的量子卷積神經(jīng)網(wǎng)絡(luò)：使用小于0.3V的部分放電數(shù)據(jù)片段，基于量子旋轉(zhuǎn)門實(shí)現(xiàn)特征提取和特征融合，并基于量子卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)SOH估計(jì)，具有良好的估計(jì)準(zhǔn)確性、魯棒性和泛化性。該工作對(duì)于云BMS系統(tǒng)利用量子計(jì)算能力進(jìn)行SOH估計(jì)具有重要意義。

相關(guān)研究成果以“基于量子卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)特征融合的鋰離子電池隨機(jī)健康狀態(tài)估計(jì)”（Stochastic state of health estimation for lithium-ion batteries with automated feature fusion using quantum convolutional neural network）為題，于3月10日發(fā)表于《能源化學(xué)》（Journal of Energy Chemistry）。

版權(quán)聲明：除特殊說明外，本站所有文章均為 字節(jié)點(diǎn)擊 原創(chuàng)內(nèi)容，采用 BY-NC-SA 知識(shí)共享協(xié)議。原文鏈接：https://byteclicks.com/65200.html 轉(zhuǎn)載時(shí)請(qǐng)以鏈接形式標(biāo)明本文地址。轉(zhuǎn)載本站內(nèi)容不得用于任何商業(yè)目的。本站轉(zhuǎn)載內(nèi)容版權(quán)歸原作者所有，文章內(nèi)容僅代表作者獨(dú)立觀點(diǎn)，不代表字節(jié)點(diǎn)擊立場(chǎng)。報(bào)道中出現(xiàn)的商標(biāo)、圖像版權(quán)及專利和其他版權(quán)所有的信息屬于其合法持有人，只供傳遞信息之用，非商務(wù)用途。如有侵權(quán)，請(qǐng)聯(lián)系 gavin@byteclicks.com。我們將協(xié)調(diào)給予處理。

相關(guān)知識(shí)

中國(guó)團(tuán)隊(duì)在鋰離子電池健康狀態(tài)估計(jì)領(lǐng)域取得新進(jìn)展
深圳國(guó)際研究生院夏必忠、張璇團(tuán)隊(duì)在鋰離子電池健康狀態(tài)估計(jì)領(lǐng)域取得新進(jìn)展
學(xué)院在動(dòng)力電池健康狀態(tài)估計(jì)研究領(lǐng)域取得新進(jìn)展
北理工團(tuán)隊(duì)在鋰離子電池健康評(píng)價(jià)方面取得重要進(jìn)展
鋰離子電池健康狀態(tài)估計(jì)方法研究現(xiàn)狀與展望
鋰離子電池安全狀態(tài)評(píng)估研究進(jìn)展
中國(guó)科學(xué)技術(shù)大學(xué)科研團(tuán)隊(duì)提出鋰離子電池健康狀態(tài)估計(jì)的新方法
鋰離子電池健康狀態(tài)評(píng)估.docx
=退役鋰離子電池健康狀態(tài)評(píng)估方法【鉅大鋰電】
鋰離子電池健康狀態(tài)估計(jì)及剩余壽命預(yù)測(cè)研究

網(wǎng)址: 中國(guó)團(tuán)隊(duì)在鋰離子電池健康狀態(tài)估計(jì)領(lǐng)域取得新進(jìn)展 http://m.gysdgmq.cn/newsview1593635.html