宽电流范围下锂离子电池剩余放电能量预测：一种机器学习方法

锂离子电池已进入工业的各个领域，以推动电气化、脱碳和可持续发展。确保其安全性和最佳性能的一个关键方面是监测其能量水平。本文首次研究了预测在从低到高 C-rate 的宽电流范围内进行放电的电池单体的剩余能量。该挑战的复杂性源于电池单体的 C-rate 依赖性能量可用性，以及其复杂的电热动力学（尤其是在高 C-rate 下）。为了解决这个问题，我们引入了剩余放电能量的新定义，然后系统地利用机器学习的力量来实现其预测。我们的工作包括级联的两个部分。首先，我们开发了一个基于物理与机器学习集成的精确动态模型，以捕捉电池的电压和温度行为。其次，基于该模型，我们提出了一种机器学习方法，用于预测任意 C-rate 以及预设的电压和温度截止限制下的剩余放电能量。实验验证表明，当电流在 NCA 电池的 0~8 C 和 LFP 电池的 0~15 C 之间变化时，所提出的方法预测剩余放电能量的相对误差小于 3%。该方法在设计上易于训练和计算。