目前新能源电池研发领域大部分遵循着实验试错的设计方法，非常消耗资源和时间。《欧盟电池2030+》能源战略计划指出，为了促进电池领域的变革性发展，需要利用机器学习等人工智能技术，不断提出新的研究方法和开拓新的创新领域，在电池系统和材料等层面加快实现超高性能电池储能技术开发。
近日，清华大学自动化系智能与网络化系统研究中心江奔奔助理教授与美国麻省理工学院、斯坦福大学等高校的科研人员合作，提出了综合分层贝叶斯模型和寿命早期预测模型，实现了只需少量样本和循环数据就能够精准预测评价新能源电池快充性能的技术。
图1.综合分层贝叶斯模型和寿命早期预测模型的快充性能预测
图2.不同寿命波动程度和观测样本情形下分层贝叶斯方法预测结果
该文聚焦电池系统层面快充性能快速预测的问题。目前快充预测评价问题存在如下难点：快充设计测试实验成本资源预算有限，但充电方式的参数搜索空间巨大；快充策略性能测试评估代价昂贵，仅对数百个循环次数电池寿命的快充策略进行实验测试就至少耗时数月。面对上述难点，该文以解析电化学数据作为切入点，提出了综合分层贝叶斯模型和寿命早期预测模型的预测方法，实现了只需少量样本和循环数据就能够精准预测评价快充策略。
具体而言，该文通过深入研究探索到“定量量化出快充策略波动程度和寿命预测不确定性信息”是实现小样本快充策略预测的关键，首次利用分层贝叶斯机器方法有效量化出该信息，实现了只需少量样本甚至一个样本就能够精准预测。同时，利用量化出的不确定信息，最大限度放宽寿命预测模型所需的精确度，实现了只需利用电池前三个充放电循环次数就可完成快充性能预测。该文所提出的贝叶斯学习快充预测方法突破了现有评估方法需要基于大量数据和多次重复测试实验才能够精确预测评价的技术瓶颈，可以从整体上缩减两个数量级的测试实验成本。
除了针对电池系统优化预测外，下一代电池新材料的优化设计问题同样面临着上述难点，目前仍采用耗时耗力的实验试错研究方式。该文所提出的基于贝叶斯机器学习的快速预测方法同样可以应用于新型电池材料如固态电解质等的优化设计中，加快下一代超高性能电池材料的研发速度。
该研究成果以“基于贝叶斯学习的锂离子电池充电策略快速预测”（Bayesian Learning for Rapid Prediction of Lithium-ion Battery Cycling Protocols）为题在线发表在《细胞》（Cell）旗下期刊《焦耳》（Joule）上。
论文第一作者是清华大学自动化系助理教授江奔奔，通讯作者是美国麻省理工学院理查德·布拉茨（Richard D. Braatz）教授。其他主要合作者包括美国麻省理工学院马丁·巴赞特（Martin Bazant）教授、斯坦福大学威廉·崔（William Chueh）教授、威廉·根特（William Gent）博士和劳伦斯伯克利国家实验室斯蒂芬·哈里斯（Stephen Harris）博士。该研究得到了清华大学-丰田国际联合基金等项目的支持。
论文链接：
https://doi.org/10.1016/j.joule.2021.10.010
供稿：自动化系
编辑：李华山
审核：吕婷
2021年11月08日 16:10:33
