【儀表網 研發快訊】鋰離子電池準確健康狀態(SOH，state of health)估計對于電池系統的高效、健康和安全運行至關重要。車路云集成系統被認為有潛力將自動駕駛推向高級階段，而在這一框架下，云電池管理系統(BMS，battery management system)成為了研究熱點之一。從高度隨機和噪聲的數據片段中提取有效的老化信息、開發SOH估計算法并有效處理基于云的電池管理系統的大規模計算需求，是這一研究面臨的主要挑戰。
為此，清華大學深圳國際研究生院夏必忠副研究員、張璇副教授團隊提出了一種用于SOH估計的精確、魯棒和可泛化的量子卷積神經網絡(QCNN，quantum convolutional neural network)模型，該模型僅使用少量放電數據，且可與噪聲中尺度量子計算云平臺兼容。本工作證明了量子編碼對于從有限放電數據中提取的健康因子(HIs，health indicators)自動特征融合的有效性，強調了模型在處理隨機和噪聲數據時提升SOH估計準確性、魯棒性和泛化性的潛力，是一種在SOH估計中利用量子計算能力的新范式。
該工作的整體流程如圖1所示。首先，團隊利用來自4個數據集的數據，包括272個電池，涵蓋5種化學成分、4種額定參數和73種使用條件，基于增量容量曲線峰值，為每個電池設計了5個小至0.3V的電壓窗口，用于生成隨機SOH估計場景。團隊提取了3個有效的HIs序列，使用量子旋轉門編碼在不同維度對三種HIs進行表示，實現自動特征融合。隨后，團隊設計了一個基于變分量子電路的QCNN模型，無需激活函數，可有效減小計算復雜度，且具有很強的非線性表達能力。
圖1.使用QCNN估計SOH的整體流程
如圖2所示，隨著電壓窗口的增加，數據集的模型性能有所改善。團隊以增量容量曲線峰值為中心，考慮電壓平臺區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。每個圖由四個子圖組成，每個子圖對應一項評估指標：RMSE、R²、MAE和 MAPE。每個圖中的五種顏色表示對應的五個電壓窗口
如圖3所示，QCNN模型在三個數據集上的表現優于其他三種模型。QCNN在CALCE數據集上的表現也與表現最佳的CNN和LSTM模型相當。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據挖掘中的有效性。此外，與具有相同數量卷積層的類似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)表示四個電池數據集的誤差分布概率密度圖。每個圖由四個子圖組成，代表四項評估指標：RMSE、R²、MAE和MAPE。每個圖中的四種顏色表示四種SOH估計模型：MLP、CNN、LSTM和QCNN
該工作展示了一種用于估計鋰離子電池SOH的量子卷積神經網絡：使用小于0.3V的部分放電數據片段，基于量子旋轉門實現特征提取和特征融合，并基于量子卷積神經網絡實現SOH估計，具有良好的估計準確性、魯棒性和泛化性。該工作對于云BMS系統利用量子計算能力進行SOH估計具有重要意義。
相關研究成果以“基于量子卷積神經網絡自動特征融合的鋰離子電池隨機健康狀態估計”(Stochastic state of health estimation for lithium-ion batteries with automated feature fusion using quantum convolutional neural network)為題，于3月10日發表于《能源化學》(Journal of Energy Chemistry)。
夏必忠、張璇為論文共同通訊作者，清華大學深圳國際研究生院2022級碩士生梁宸和2022級博士生陶晟宇為論文共同第一作者。論文其他合作者包括清華大學深圳國際研究生院2023級碩士生黃星皓和王業震。研究得到國家自然科學基金科研經費的支持。
所有評論僅代表網友意見，與本站立場無關。