4月27日，《自然·通讯》（Nature Communications）在线发表了题为“Data-driven capacity estimation of commercial lithium-ion batteries from voltage relaxation”的研究论文。该研究由同济大学汽车学院魏学哲教授团队完成，团队朱建功副教授为论文第一作者，戴海峰教授为论文通讯作者。同济大学为第一完成单位，卡尔斯鲁厄理工学院为第二完成单位。

动力电池容量是电池管理技术中的一个重要参量。在新能源汽车整车层面，当前状态下电池最大可用容量决定了电动汽车充电后的可持续行驶里程；在电池系统层面，电池容量是电池管理技术中很多关键状态的必要输入，也是电池健康度的一个重要表征量。

研究成果使用数据驱动的方法，提出了一种基于电池弛豫电压特征的容量估计方法。该方法从动力电池满充电后的弛豫电压信息中提取特征参数，实现电池容量估计误差（RMSE）为1.1%（图1）。通过构建迁移学习办法提升估计方法的泛化能力和普适性；构建的迁移学习办法在其他两款不同材料体系电池上进行了验证，验证得到的估计误差低于1.7%。

研究成果公开了三款不同材料体系商用锂离子动力电池长循环测试数据如表1，包含130颗电池单体，每颗单体根据不同实验条件循环了50~1400次，实验条件包含了3个温度点（25^oC, 35 ^oC, 45 ^oC），5个充放电倍率（0.25C, 0.5C, 1C, 2C, 4C）。数据开放获取链接为：https://doi.org/10.5281/zenodo.6379165。

本研究提出的基于电池弛豫电压特征参数的容量估计方法具有不依赖电池历史信息和环境信息，不需要特定的电池测试条件和电压区间的优势。为动力电池多种应用场景和电源技术的开发，如停车充电、换电、梯次利用寿命评估和寿命预测等方面提供新的研究思路和解决方向。

图1提出的容量估计方法在不同的机器学习基础模型上的结果对比。估计误差（RMSE）柱状对比图（a）。三种基础模型ElasticNet(b), XGBoost (c)和Support Vector Regression (SVR) (d)相应的容量真值和估计值对比图。

表1 三款不同材料体系商用锂离子电池长循环测试数据集

详细方法描述、验证及机理解析部分请参阅论文原文及附录：

Zhu, J., Wang, Y., Huang, Y. et al. Data-driven capacity estimation of commercial lithium-ion batteries from voltage relaxation. Nat Commun 13, 2261 (2022).

https://doi.org/10.1038/s41467-022-29837-w

https://www.nature.com/articles/s41467-022-29837-w

本研究主要有同济大学、德国卡尔斯鲁厄理工学院和不列颠哥伦比亚大学合作完成，研究得到德国洪堡基金会、国家自然科学基金（52107230，U20A20310）及中央高校基本科研业务费专项资金资助，研究得到德国乌尔姆-卡尔斯鲁厄电化学能源存储平台（CELEST）支撑。