實時、個性化的鋰離子電池健康管理，有利于提升終端用戶的安全性。然而，由于不同的使用興趣、動態(tài)的操作習慣和有限的歷史數據，電池健康狀態(tài)的個性化預測仍然具有挑戰(zhàn)性。

在此，華中科技大學袁燁教授等人設計了一個可轉移的深度網絡，在任何感興趣的循環(huán)中使用最近30個循環(huán)的部分循環(huán)數據以實現個性化、實時的鋰離子電池健康狀態(tài)預測。為此，作者構建了一個包含77個磷酸鐵鋰（LFP）/石墨電池的實驗平臺，其循環(huán)壽命為1100~2700次。電池經過不同的多階段放電協議來近似使用變化，共獲得146122次充放電循環(huán)，這是目前已知同類數據中最大的數據集。其中，設計的深度學習模型由一個卷積模塊、一個循環(huán)模塊和兩個全連接模塊組成。

此外，在遷移學習模型中設計了模型預訓練和模型遷移2個階段：

（1）模型預訓練階段利用輸入特征曲線對深度學習模型進行預訓練并標記訓練電池的健康狀態(tài)；

（2）模型遷移階段旨在通過輸入最近10個充放電周期（重采樣后）的特征曲線，在任何新的放電協議的任何周期實現實時的個性化健康狀態(tài)預測。

圖1. 深度遷移學習方法示意圖

結果顯示，所有充放電周期下容量估計和剩余使用壽命（RUL）預測的平均測試誤差分別為0.176%和8.72%。此外，作者還通過從另外兩個數據集（分別具有不同的充放電條件和電池化學成分）中遷移電池衰減知識來預測本數據集中測試電池的健康狀態(tài)。在另外兩個任務中，容量估計和RUL預測的平均測試誤差分別為0.328%（0.193%）和9.80%（9.9%）。

這說明了深度遷移學習框架根據個性化使用模式預測健康狀況的有效性和普遍性，然而也存在一些局限性：首先，該方法未研究接近實際應用的隨機充電過程。然后，該方法需要最近30個周期來預測電池的健康狀態(tài)，但無法預測前幾個周期的健康狀態(tài)。此外，該方法非常依賴于最近循環(huán)周期中數據的質量。最后，該工作簡化了實際應用中的操作條件，數據集中不包括放電深度和功率，因此仍需要進一步研究。

圖2. 基于不同數量的稀疏輸入周期的模型預測誤差

Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning, Energy & Environmental Science 2022. DOI: 10.1039/D2EE01676A