编辑推荐：
编辑推荐：面对退役锂离子电池(LiBs)容量评估的高成本与低效率难题，中国科学技术大学与合肥工业大学联合团队利用2,276组23Ah(IFP2265146)和2,354组15.5Ah(IFR32135)真实退役电池数据，开发了基于2D-CNN的智能评估模型。该模型仅需随机60%充电片段输入即可实现0.679Ah(RMSE)的精度，较完整充放电测试节省65.92%时间与8.86%能耗，为电池梯次利用提供了高效低成本解决方案，相关成果发表于《Cell Reports Physical Science》。
随着全球电动汽车保有量激增，退役锂离子电池(LiBs)的处置问题日益严峻。据国际能源署预测，到2030年中国电动汽车占比将达三分之一，而欧盟新电池法规强制要求建立退役电池回收体系。这些电池若直接废弃不仅造成资源浪费，更会带来严重环境污染。然而，当前退役电池的容量评估主要依赖耗时数小时的完整充放电测试，且传统方法在小样本和特征提取方面存在明显局限。如何实现快速、精准的容量评估，成为推动电池梯次利用的关键瓶颈。
中国科学技术大学与合肥工业大学联合团队在《Cell Reports Physical Science》发表研究，通过收集2,276个23Ah(IFP2265146-23Ah)和2,354个15.5Ah(IFR32135-15.5Ah)退役电池的真实充放电数据，构建了目前已知最大规模的退役电池数据集。研究团队创新性地提出基于二维卷积神经网络(2D-CNN)的智能评估模型，仅需随机截取60%充电片段即可实现高精度容量预测，为退役电池的工业化筛选提供了突破性解决方案。
研究采用三大关键技术：1) 通过滑动窗口和恒定填充法处理真实场景中长度不一的随机充电片段；2) 将1D时间序列数据通过自适应平均池化(AdaptiveAvgPool)转换为2D图像，使模型能同时捕捉长程趋势和短程波动；3) 采用ResNet-10架构构建CNN主干网络，在保持计算效率的同时优化特征提取能力。数据来源于安徽国轩高科提供的两种商用磷酸铁锂(LFP)电池。
真实退役数据集特征
分析揭示退役电池呈现复杂QV曲线特征：AOC23数据集容量呈双峰分布(峰值15.4Ah和20.55-21.7Ah)，AOC15数据集75%样本集中在11.2-12.1Ah。与实验室老化数据集不同，真实退役电池曲线包含显著非趋势成分，凸显实际应用的复杂性。
方法创新性
提出的2D-CNN模型将ΔQ(累积容量)和V(电压)组成的1D序列X1D∈ℝ(r·L)×2转换为2D图像X2D∈ℝh×w×2，通过调整h/w比例(0.1-10)优化时空特征提取。相比传统MLP、LSTM等方法，该架构显著提升对复杂模式的识别能力。
精度验证
在r=0.6的测试中，2D-CNN对23Ah和15.5Ah电池分别取得0.679Ah和0.206Ah的RMSE，MAPE低至2.47%和1.48%。即使仅用40%充电数据，性能仍优于其他完整曲线方法。效率分析显示，该方法可节省65.92%测试时间和8.86%能耗。
模型可解释性
通过通道重要性热图分析发现，对于健康状态(SoH)>80%的电池，模型主要激活特定通道；而SoH<80%的电池则需要更多元特征组合，证实模型具有符合电化学机理的决策逻辑。
该研究通过构建大规模真实退役电池数据库和创新的2D-CNN架构，实现了基于随机充电片段的精准容量评估。相较于传统方法，在保持精度的同时大幅降低测试成本，为退役电池的工业化筛选提供了可行方案。特别值得注意的是，模型对h/w比例的敏感性分析为时间序列处理提供了新思路，而热图分析则增强了深度学习模型在工业应用中的可信度。这项研究不仅推动了电池回收技术的发展，其方法论对其它时序数据分析也具有重要借鉴价值。研究数据与代码已开源，将促进该领域的进一步创新。
生物通微信公众号
生物通 版权所有
