刘云鹏博士基于放电片段预测锂电池剩余寿命的混合深度学习方法的文章《A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments》被能源方向的国际权威期刊《Applied Energy》接收并在线发表。

     准确的剩余寿命预测对于锂电池的安全运行至关重要。传统方法是测量每个循环的最大放电容量，作为模型输入迭代预测出容量退化轨迹。不幸的是，在实践中并不总是存在着完全放电。为此，本研究提出了一种由信号分解和深度学习组成的混合方法来克服该局限性。首先，对收集到的放电片段，利用卷积神经网络模型预测出每个循环的最大放电容量，并在剩余寿命预测起点前形成预测容量退化曲线。随后通过经验模态分解，提取出该曲线的全局退化趋势，作为后续的模型输入。最后通过训练良好的门控循环单元网络，推断出整个退化轨迹和剩余寿命数值。在两个公开电池数据集上验证了该方法的预测性能，基于退化数据的40% ~ 60%的放电片段（20%容量比片段范围），预测误差均可控制在7.0%以内。因此结果表明，所开发的锂电池剩余寿命预测方法具有良好的准确性和鲁棒性，特别是在实际的非完全放电场景中。

      《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子11.2，CiteScore 21.1，谷歌学术全球学术期刊第49，工程期刊第19位，可持续能源子领域第2位，该刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。