清華新聞網(wǎng)3月21日電 鋰離子電池準(zhǔn)確健康狀態(tài)（SOH,，state of health）估計(jì)對(duì)于電池系統(tǒng)的高效、健康和安全運(yùn)行至關(guān)重要,。車路云集成系統(tǒng)被認(rèn)為有潛力將自動(dòng)駕駛推向高級(jí)階段,，而在這一框架下，云電池管理系統(tǒng)（BMS,，battery management system）成為了研究熱點(diǎn)之一,。從高度隨機(jī)和噪聲的數(shù)據(jù)片段中提取有效的老化信息、開(kāi)發(fā)SOH估計(jì)算法并有效處理基于云的電池管理系統(tǒng)的大規(guī)模計(jì)算需求，是這一研究面臨的主要挑戰(zhàn),。
為此,，清華大學(xué)深圳國(guó)際研究生院夏必忠副研究員、張璇副教授團(tuán)隊(duì)提出了一種用于SOH估計(jì)的精確,、魯棒和可泛化的量子卷積神經(jīng)網(wǎng)絡(luò)（QCNN,，quantum convolutional neural network）模型，該模型僅使用少量放電數(shù)據(jù),，且可與噪聲中尺度量子計(jì)算云平臺(tái)兼容,。本工作證明了量子編碼對(duì)于從有限放電數(shù)據(jù)中提取的健康因子（HIs，health indicators）自動(dòng)特征融合的有效性,，強(qiáng)調(diào)了模型在處理隨機(jī)和噪聲數(shù)據(jù)時(shí)提升SOH估計(jì)準(zhǔn)確性,、魯棒性和泛化性的潛力，是一種在SOH估計(jì)中利用量子計(jì)算能力的新范式,。
該工作的整體流程如圖1所示,。首先，團(tuán)隊(duì)利用來(lái)自4個(gè)數(shù)據(jù)集的數(shù)據(jù),，包括272個(gè)電池,，涵蓋5種化學(xué)成分、4種額定參數(shù)和73種使用條件,，基于增量容量曲線峰值,，為每個(gè)電池設(shè)計(jì)了5個(gè)小至0.3V的電壓窗口，用于生成隨機(jī)SOH估計(jì)場(chǎng)景,。團(tuán)隊(duì)提取了3個(gè)有效的HIs序列,，使用量子旋轉(zhuǎn)門(mén)編碼在不同維度對(duì)三種HIs進(jìn)行表示，實(shí)現(xiàn)自動(dòng)特征融合,。隨后，團(tuán)隊(duì)設(shè)計(jì)了一個(gè)基于變分量子電路的QCNN模型,，無(wú)需激活函數(shù),，可有效減小計(jì)算復(fù)雜度，且具有很強(qiáng)的非線性表達(dá)能力,。
圖1.使用QCNN估計(jì)SOH的整體流程
如圖2所示,，隨著電壓窗口的增加，數(shù)據(jù)集的模型性能有所改善,。團(tuán)隊(duì)以增量容量曲線峰值為中心,，考慮電壓平臺(tái)區(qū)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(gè)圖由四個(gè)子圖組成，每個(gè)子圖對(duì)應(yīng)一項(xiàng)評(píng)估指標(biāo)：RMSE,、R2,、MAE和 MAPE。每個(gè)圖中的五種顏色表示對(duì)應(yīng)的五個(gè)電壓窗口
如圖3所示,，QCNN模型在三個(gè)數(shù)據(jù)集上的表現(xiàn)優(yōu)于其他三種模型,。QCNN在CALCE數(shù)據(jù)集上的表現(xiàn)也與表現(xiàn)最佳的CNN和LSTM模型相當(dāng)。與MLP模型（即沒(méi)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(guò)96%,，證明了量子卷積層在數(shù)據(jù)挖掘中的有效性,。此外，與具有相同數(shù)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(gè)電池?cái)?shù)據(jù)集的誤差分布概率密度圖。每個(gè)圖由四個(gè)子圖組成,，代表四項(xiàng)評(píng)估指標(biāo)：RMSE,、R2、MAE和MAPE,。每個(gè)圖中的四種顏色表示四種SOH估計(jì)模型：MLP,、CNN、LSTM和QCNN
該工作展示了一種用于估計(jì)鋰離子電池SOH的量子卷積神經(jīng)網(wǎng)絡(luò)：使用小于0.3V的部分放電數(shù)據(jù)片段,，基于量子旋轉(zhuǎn)門(mén)實(shí)現(xiàn)特征提取和特征融合,，并基于量子卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)SOH估計(jì)，具有良好的估計(jì)準(zhǔn)確性,、魯棒性和泛化性,。該工作對(duì)于云BMS系統(tǒng)利用量子計(jì)算能力進(jìn)行SOH估計(jì)具有重要意義。
相關(guān)研究成果以“基于量子卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)特征融合的鋰離子電池隨機(jī)健康狀態(tài)估計(jì)”（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(fā)表于《能源化學(xué)》（Journal of Energy Chemistry）,。
夏必忠、張璇為論文共同通訊作者,，清華大學(xué)深圳國(guó)際研究生院2022級(jí)碩士生梁宸和2022級(jí)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(xué)深圳國(guó)際研究生院2023級(jí)碩士生黃星皓和王業(yè)震,。研究得到國(guó)家自然科學(xué)基金科研經(jīng)費(fèi)的支持。
論文鏈接：
https://doi.org/10.1016/j.jechem.2025.02.030
供稿：深圳國(guó)際研究生院
編輯：李華山
審核：郭玲
