Articolo metodologico

Un flusso di lavoro di deep learning riproducibile per la previsione delle prestazioni delle batterie agli ioni di litio utilizzando dati di ciclaggio multicanale

DOI:

10.3791/71903

⸱

14 agosto 2026

 , 
1Faculty of Science, Department of Physics, Southern University of Science and Technology, 2Homerton College, University of Cambridge

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo protocollo presenta un flusso di lavoro basato sul deep learning, riproducibile, che utilizza dati ciclici multicanale e caratteristiche progettate per prevedere lo stato di salute, la vita utile residua e le prestazioni di accumulo energetico delle batterie agli ioni di litio.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo protocollo presenta un flusso di lavoro basato sul deep learning, riproducibile, per la previsione delle prestazioni delle batterie agli ioni di litio mediante l'utilizzo di dati di ciclaggio multicanale. Per affrontare le limitazioni dei modelli basati sui dati esistenti relative all'integrazione di informazioni multisorgente e alla rappresentazione delle caratteristiche, il metodo utilizza cinque dataset pubblici disponibili sulle batterie. Gli ingressi includono segnali operativi grezzi, come tensione, corrente, capacità, temperatura, resistenza interna ed efficienza coulombica ed energetica, insieme a caratteristiche derivate, come capacità incrementale, tensione differenziale e energia totale scaricata. Il protocollo descrive procedure standardizzate di pre-elaborazione per costruire tensori temporali a livello di batteria su diverse finestre di osservazione. Per migliorare la riproducibilità, il flusso di lavoro valuta architetture candidate di reti neurali, tra cui reti neurali profonde, reti neurali convoluzionali (CNN), reti a memoria a lungo breve termine (LSTM), modelli ibridi CNN–LSTM e modelli basati su trasformatori, utilizzando semi casuali fissi, esecuzioni di valutazione ripetute e tracciamento dell'ambiente. I risultati rappresentativi hanno dimostrato che l'architettura CNN–LSTM, con dati multicanale integrati e caratteristiche derivate, ha ottenuto prestazioni predittive favorevoli tra i modelli valutati. La configurazione selezionata ha raggiunto un errore assoluto medio di 0,024 e un valore di R2 pari a 0,955 nella stima dello stato di salute, mantenendo nel contempo elevate prestazioni predittive nella stima della vita utile residua e dell'energia scaricabile. Analisi di ablazione e di robustezza hanno ulteriormente dimostrato il contributo dell'integrazione delle caratteristiche multicanale e la stabilità del flusso di lavoro focalizzato sulla riproducibilità attraverso valutazioni ripetute. Questa metodologia standardizzata fornisce un quadro riproducibile per la gestione del ciclo di vita delle batterie e la modellizzazione predittiva in condizioni operative diverse.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Le batterie agli ioni di litio sono fondamentali per la transizione globale verso fonti di energia rinnovabile grazie alla loro elevata densità energetica, alla lunga vita in termini di cicli e ai bassi tassi di autoscarica in applicazioni che vanno dall'elettronica portatile ai sistemi di accumulo di energia su scala di rete. Tuttavia, un funzionamento prolungato porta inevitabilmente a un graduale degrado della capacità e a un aumento della resistenza interna1. Questo calo prestazionale non solo riduce la sostenibilità economica, ma introduce anche gravi rischi per la sicurezza, inclusa la corsa termica. Con l'accelerazione continua nell'implementazione di sistemi di accumulo di energia su larga scala, la gestione del ciclo di vita delle batterie è diventata sempre più complessa2. I tradizionali protocolli di monitoraggio basati su soglie e ispezioni manuali risultano insufficienti in ambienti operativi dinamici3. Inoltre, fare affidamento su un singolo parametro non è adeguato per prevedere con precisione lo stato di salute (SOH) o la vita utile residua (RUL) della batteria in condizioni di carica e scarica variabili, temperature ambientali fluttuanti e variazioni della tensione di scarica4. Sebbene il flusso di lavoro attuale sia stato principalmente validato utilizzando dataset di ciclaggio controllati in laboratorio, l'architettura multicanale e il framework di modellazione temporale potrebbero supportare futuri adattamenti a condizioni operative dinamiche riscontrate nelle applicazioni veicoli elettrici e in ambienti ambientali variabili.

Il degrado delle batterie è un processo elettrochimico altamente complesso e non lineare, determinato dalla crescita dell'interfase solido-elettrolita, dalla perdita di litio attivo e dal deterioramento strutturale dei materiali degli elettrodi. Storicamente, la stima dello stato si è basata su modelli a circuito equivalente o su equazioni differenziali parziali (PDE) elettrochimiche e fisiche5. Sebbene questi modelli fisici offrano preziose informazioni meccanicistiche, presentano notevoli oneri computazionali e difficoltà nell'identificazione dei parametri durante l'elaborazione di segnali accoppiati multicanale. Di conseguenza, la loro implementazione in tempo reale nei sistemi di gestione delle batterie (BMS) è fortemente limitata dalla complessità della cinetica di diffusione e dalla variabilità ambientale in condizioni di scarica ad alta velocità6. Al contrario, il flusso di lavoro basato sull'apprendimento profondo (DL) concentra la maggior parte del carico computazionale nella fase di addestramento offline, mentre il modello addestrato effettua inferenze relativamente rapide durante il funzionamento. Questo approccio potrebbe quindi supportare future implementazioni in BMS con risorse limitate e in ambienti di calcolo edge.

Recentemente, gli approcci basati sui dati del deep learning (DL) si sono affermati come potenti strumenti grazie alle loro eccezionali capacità di adattamento non lineare. Tuttavia, le attuali metodologie di DL presentano due limitazioni principali. In primo luogo, molti approcci si basano principalmente su singole curve di degrado della capacità o su specifiche soglie di tensione in scarica, trascurando le intrinseche correlazioni spaziotemporali tra le risposte cicliche multicanale, come tensione, corrente e temperatura. Questa limitazione riduce la robustezza del modello in scenari operativi multicondizione7. Studi precedenti hanno dimostrato che trascurare gli stati termici durante operazioni complesse può accelerare l'accumulo di errori predittivi8,9. In secondo luogo, nella machine learning (ML) applicata sussiste una persistente difficoltà di riproducibilità. Le variazioni nelle condizioni sperimentali, le procedure di preelaborazione descritte in modo insufficiente e i parametri iperparametrici della rete neurale scelti in modo arbitrario causano spesso il fallimento di modelli altrimenti robusti durante la validazione incrociata tra dataset10. Per ridurre il rischio di perdita di informazioni durante il preelaborazione e la previsione nei primi cicli, il flusso di lavoro proposto ricava i fattori di scala per la normalizzazione e le basi per le caratteristiche ingegnerizzate esclusivamente dai dataset di addestramento, prima della validazione esterna e della valutazione incrociata tra dataset.

Per affrontare queste lacune fondamentali, l'obiettivo generale di questo protocollo è presentare un flusso di lavoro basato sul deep learning (DL), automatizzato e altamente riproducibile, per la previsione delle prestazioni di accumulo energetico delle batterie agli ioni di litio mediante l'uso di dati di ciclaggio multicanale. La logica sottostante questo metodo consiste nell'acquisire esplicitamente le complesse dipendenze a lungo termine associate al degrado delle batterie, integrando dati multicanale di serie temporali all'interno di un'architettura di rete neurale ad alta dimensionalità. Un vantaggio chiave di questo protocollo rispetto agli approcci esistenti basati sulla fisica o sul DL è la sua standardizzazione olistica, che stabilisce una pipeline completa che comprende la pre-elaborazione dei segnali grezzi, l'ingegnerizzazione delle caratteristiche, l'addestramento del modello e la valutazione dell'incertezza. Sebbene architetture ibride di reti neurali siano state precedentemente studiate, il presente flusso di lavoro pone l'accento sull'integrazione standardizzata multicanale, allineando le variabili elettrochimiche di ciclaggio con caratteristiche ingegnerizzate di degrado all'interno di un framework di addestramento focalizzato sulla riproducibilità. A differenza di molti flussi di lavoro precedentemente descritti, questo protocollo incorpora configurazioni standardizzate di parametri, semi casuali fissi, esecuzioni ripetute della valutazione e un monitoraggio completo dell'ambiente al fine di migliorare la riproducibilità su dataset eterogenei di batterie e in diversi contesti di laboratorio. Inoltre, il flusso di lavoro confronta sistematicamente diverse architetture di reti neurali per valutare la stabilità predittiva e le prestazioni in diverse configurazioni di input. All'interno dei dataset valutati e delle impostazioni sperimentali, l'architettura rete neurale convoluzionale–memoria a breve termine lunga (CNN–LSTM) ha dimostrato prestazioni predittive favorevoli rispetto ai modelli CNN autonomi e basati su trasformatori valutati, combinando l'estrazione di caratteristiche locali con la modellizzazione di sequenze temporali a lungo raggio, mantenendo al contempo una complessità computazionale moderata. Questo protocollo è particolarmente adatto a ricercatori e ingegneri che intendono sviluppare modelli predittivi riproducibili e adattabili all'ambiente per la gestione del ciclo di vita delle batterie.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L'approvazione etica da parte dell'istituto non è stata richiesta per questo studio perché la ricerca ha utilizzato esclusivamente set di dati pubblici sul ciclo delle batterie agli ioni di litio e non ha coinvolto partecipanti umani, soggetti animali o campioni biologici.

1. Acquisizione e organizzazione dei dati

  1.  Acquisire dataset multicanale di cicli
    1. Scaricare dataset di cicli di batterie agli ioni di litio da repository pubblici contenenti registrazioni di cicli di carica e scarica. Acquisire i dataset CALCE, SANYO, PANASONIC, KOKAM e GOTION direttamente dai rispettivi repository ad accesso aperto istituzionali o dai link dell'identificatore di oggetto digitale per mantenere la coerenza della versione del dataset.
    2. Selezionare campioni di batterie contenenti il numero completo di cicli, misurazioni della capacità e almeno una curva continua di carica-scarica. Verificare la continuità confermando che all'interno di un singolo ciclo non vi siano interruzioni superiori a due ore e che siano completamente registrate sia la fase a corrente costante che quella a tensione costante.
  2. Filtrare i record grezzi dei cicli
    1. Filtrare i record grezzi dei cicli per mantenere i campioni contenenti misurazioni di temperatura, resistenza interna, efficienza coulombica ed efficienza energetica. Escludere le celle della batteria che non dispongono di questi canali di stato obbligatori dal flusso di analisi, poiché la successiva fusione di caratteristiche multicanale richiede un insieme completo di variabili fisiche di ingresso.
    2. Rimuovere i cicli contenenti record incompleti, timestamp inconsistenti, procedure di test non definite o condizioni di terminazione della carica-scarica non chiare. Definire cicli anomali quelli che mostrano brusche riduzioni di capacità superiori al 5% tra cicli adiacenti, misurazioni di tensione al di fuori del range operativo specifico per la chimica o intervalli di timestamp non monotoni.
  3. Costruire un database temporale della batteria
    1. Organizzare i record di cicli conservati in ordine cronologico per costruire un database temporale a livello di batteria.
    2. Archiviare i dataset elaborati utilizzando il formato dati gerarchico versione 5 (HDF5). Mantenere una struttura di directory standardizzata organizzata per fonte del dataset, sistema chimico e identificativo individuale della cella della batteria.
    3. Assegnare identificatori univoci a ciascuna cella della batteria prima della suddivisione del dataset. Implementare il raggruppamento in base all'identificativo della cella della batteria durante la suddivisione in training e test per garantire che tutti i cicli sequenziali di una singola batteria fisica rimangano esclusivamente all'interno di un unico sottoinsieme del dataset.
      ​NOTA: Conservare separatamente i dataset grezzi originali prima del pre-elaborazione, normalizzazione, ricampionamento o ingegnerizzazione delle caratteristiche.
  4. Definire finestre di osservazione
    1. Costruire finestre di osservazione multicanale utilizzando i primi 50 cicli, i primi 100 cicli e i primi il 20% del ciclo di vita totale della batteria. Calcolare la soglia del 20% del ciclo di vita moltiplicando il ciclo di vita totale prima del degrado della capacità a fine vita per 0,2.
    2. Allineare le misurazioni di tensione, corrente, capacità, temperatura, resistenza interna ed efficienza all'interno di ciascuna finestra di osservazione prima della costruzione del tensore.
    3. Formattare la struttura finale di input come un tensore tridimensionale composto dalla lunghezza della finestra di osservazione, 128 punti di campionamento standardizzati all'interno del ciclo e l'insieme ordinato di caratteristiche multicanale.

2. Preelaborazione dei dati e creazione di caratteristiche

  1. Preelaborare i dati grezzi dei cicli
    1. Eseguire una preelaborazione uniforme sui dataset grezzi dei cicli per standardizzare la qualità dei dati provenienti da tutte le fonti di batterie. Eseguire tutte le procedure di preelaborazione, sincronizzazione e standardizzazione utilizzando Python 3.10 con la libreria Pandas per la manipolazione delle serie temporali e SciPy per l'interpolazione numerica.
    2. Rimuovere gli outlier, rilevare i valori mancanti, calibrare i timestamp, identificare le fasi di carica e scarica e normalizzare le frequenze di campionamento prima dell'analisi successiva. Applicare un metodo di sogliatura basato sul punteggio Z modificato con un criterio di esclusione superiore a 3,0 per il rilevamento di anomalie.
    3. Rilevare automaticamente i valori mancanti mediante l'identificazione del flag NaN in tutti gli array numerici. Distinguere le fasi di carica e scarica in base alla polarità della corrente, assegnando valori di corrente positivi ai cicli di carica e valori negativi ai cicli di scarica.
    4. Ricostruire i segmenti del segnale mancanti utilizzando polinomi interpolanti cubici di tipo Hermite a tratti, al fine di preservare la dinamica elettrochimica temporale durante l'allineamento delle transizioni di fase.
  2. Ricampionare le curve di ciclo
    1. Ricampionare le curve di ciclo quando si rilevano variazioni nella densità di campionamento o deriva del segnale tra i dataset. Attivare automaticamente il ricampionamento ogni volta che l'intervallo tra misurazioni consecutive si discosta di oltre il 10% rispetto alla frequenza mediana di campionamento della fase di ciclo corrispondente.
    2. Standardizzare il numero di punti di campionamento all'interno di ogni ciclo per ridurre le variazioni legate alla piattaforma di registrazione. Mappare tutte le sequenze temporali su una griglia spaziale fissa utilizzando un'interpolazione lineare unidimensionale.
    3. Comprimere o espandere ogni profilo di carica-scarica in esattamente 128 punti di campionamento equidistanti prima della costruzione del tensore.
  3. Normalizzare le variabili continue
    1. Normalizzare tutte le variabili continue prima dell'addestramento del modello per stabilizzare la convergenza della rete e ridurre i bias legati alla scala. Applicare la scala Min-Max per trasformare tutte le variabili continue in un intervallo numerico compreso tra 0 e 1.
    2. Calcolare tutti i parametri di normalizzazione esclusivamente a partire dal dataset di addestramento. Applicare i parametri di scala congelati ai dataset di validazione e di test per ridurre il rischio di perdita temporale anticipata dei dati durante la previsione dei primi cicli.
  4. Costruire tensori di input multicanale
    1. Dividere i record continui dei cicli per ciascuna batteria in segmenti temporali di lunghezza fissa. Strutturare i segmenti temporali in base alle finestre di osservazione predefinite corrispondenti ai primi 50 cicli, ai primi 100 cicli o al primo 20% del ciclo di vita della batteria.
    2. Allineare le misurazioni di tensione, corrente, capacità, temperatura, resistenza interna ed efficienza all'interno di ciascun segmento temporale prima della costruzione del tensore.
    3. Concatenare le matrici di caratteristiche allineate in un tensore tridimensionale formattato come (N × 128 × C), dove N rappresenta la lunghezza della finestra di osservazione, 128 indica i punti di campionamento standardizzati all'interno del ciclo e C rappresenta il numero totale di canali di caratteristiche fisiche e ingegnerizzate.
  5. Estrarre caratteristiche ingegnerizzate
    1. Estrarre caratteristiche elettrochimiche ingegnerizzate dai segnali grezzi dei cicli per migliorare l'identificazione dei modelli di degrado. Calcolare le caratteristiche di capacità incrementale e di tensione differenziale mediante il calcolo di dQ/dV e dV/dQ sulla griglia di campionamento standardizzata.
    2. Applicare un filtro di Savitzky–Golay per generare curve di capacità incrementale e tensione differenziale smussate.
    3. Estrarre indicatori di degrado, inclusi spostamenti del picco di tensione, differenze di tensione nelle transizioni di fase e variazioni del rendimento energetico da ciclo a ciclo, a partire dalle caratteristiche elettrochimiche filtrate.

3. Costruzione e addestramento del modello DL

  1. Costruire modelli predittivi candidati
    1. Costruire un framework standardizzato per la formazione e la valutazione di tutti i modelli predittivi mostrati in Figura 1A. Implementare il flusso di lavoro DL utilizzando PyTorch versione 2.0 o superiore.
    2. Eseguire il flusso di lavoro di addestramento mediante script Python modulari per il caricamento dei dati, l'inizializzazione del modello, l'ottimizzazione e la valutazione.
    3. Preparare modelli di base ML tradizionali, inclusi modelli di regressione lineare, foresta casuale e alberi decisionali con boosting del gradiente. Configurare il modello di foresta casuale con 100 alberi e una profondità massima di 10.
    4. Configurare il framework dell'albero decisionale con boosting del gradiente utilizzando un tasso di apprendimento di 0,1 e una profondità massima dell'albero di 5 attraverso la libreria Scikit-learn.
    5. Preparare architetture DL candidate, tra cui percettrone multistrato, CNN unidimensionale, rete LSTM, CNN–LSTM e modelli basati su trasformatori.
    6. Standardizzare gli iperparametri principali per tutte le architetture DL applicando l'ottimizzatore AdamW, funzioni di attivazione Gaussian Error Linear Unit, una dimensione nascosta di 128 e un tasso di dropout di 0,2.
  2. Configurare l'architettura CNN–LSTM
    1. Configurare l'architettura CNN–LSTM per fondere informazioni multicanale sui cicli provenienti dai tensori in ingresso (Figura 1B). Costruire l'architettura ibrida collegando in cascata l'estratore di caratteristiche convoluzionale a due livelli ricorrenti sovrapposti, ciascuno contenente 128 unità nascoste.
    2. Terminare l'architettura con tre testate di regressione completamente connesse in parallelo per la predizione simultanea di SOH, RUL e energia scaricabile.
    3. Elaborare i tensori di ingresso multicanale attraverso tre strati convoluzionali unidimensionali consecutivi con dimensioni del kernel pari a 3, 5 e 7 per estrarre caratteristiche localizzate multiscale.
    4. Applicare la normalizzazione del batch dopo ogni strato convoluzionale per migliorare la stabilità del gradiente durante l'ottimizzazione.
    5. Riorganizzare le mappe delle caratteristiche convoluzionali in sequenze temporali continue prima della modellazione sequenziale.
    6. Inserire le sequenze temporali codificate nei livelli ricorrenti sovrapposti per catturare dipendenze di degrado a lungo raggio all'interno delle finestre di osservazione predefinite.
  3. Partizionare i dataset per l'addestramento del modello
    1. Dividere i dataset elaborati delle celle batteria in sottoinsiemi di addestramento, validazione e test utilizzando un rapporto 70:15:15. Eseguire la suddivisione del dataset utilizzando un valore fisso del seme casuale pari a 42.
    2. Applicare un campionamento stratificato basato sulla chimica della batteria per mantenere distribuzioni di degrado bilanciate in tutti i sottoinsiemi del dataset.
    3. Eseguire la partizione del dataset rigorosamente a livello di cella batteria, piuttosto che randomizzando singoli cicli, per preservare le traiettorie sequenziali di degrado.
    4. Mantenere ogni cella batteria come unità indivisibile durante la partizione per evitare perdite di informazioni tra i dataset.
    5. Verificare programmaticamente l'isolamento dei dataset calcolando l'intersezione degli identificatori delle celle batteria tra i sottoinsiemi di addestramento, validazione e test e confermando l'assenza di sovrapposizioni.
    6. Compilare un dataset esterno di test utilizzando l'intero dataset GOTION di litio ferro fosfato (LFP) per la valutazione fuori distribuzione e la valutazione della generalizzazione incrociata tra dataset.
    7. Rendere disponibili pubblicamente il codice sorgente, i file di configurazione dell'ambiente e le partizioni del dataset elaborato attraverso un repository GitHub dedicato per supportare la trasparenza metodologica e la riproducibilità.
  4. Inizializzare l'addestramento del modello
    1. Impostare la funzione di perdita di regressione all'errore quadratico medio prima dell'addestramento. Calcolare l'obiettivo globale di addestramento aggregando i valori di perdita da ciascuna destinazione predittiva utilizzando pesi uguali.
    2. Impostare il tasso di apprendimento iniziale a 1 × 10−3 e selezionare una dimensione del batch pari a 32 o 64 in base alle dimensioni del dataset.
    3. Utilizzare una dimensione del batch di 64 per dataset contenenti più di 5.000 cicli per migliorare l'utilizzo dell'hardware. Utilizzare una dimensione del batch di 32 per dataset più piccoli per migliorare la stabilità dell'ottimizzazione.
      NOTA: Selezionare questi iperparametri attraverso una valutazione preliminare di ricerca su griglia per bilanciare velocità di convergenza e stabilità del gradiente attraverso diverse finestre di osservazione.
  5. Applicare controlli durante l'addestramento
    1. Applicare un programma dinamico del tasso di apprendimento basato sulle variazioni della perdita di validazione. Ridurre il tasso di apprendimento di un fattore 0,5 se la perdita di validazione non migliora per 5 epoche consecutive.
    2. Mantenere una soglia minima del tasso di apprendimento di 1 × 10−5 durante l'ottimizzazione.
    3. Interrompere l'addestramento del modello dopo un massimo di 100 epoche per ridurre l'overfitting.
    4. Applicare l'arresto anticipato se la perdita di validazione non diminuisce per 15 epoche consecutive. Ripristinare i pesi del modello corrispondenti all'iterazione di validazione con le migliori prestazioni.
  6. Mantenere registrazioni per la riproducibilità
    1. Impostare un valore fisso del seme casuale pari a 42 prima dell'inizializzazione e dell'addestramento del modello.
    2. Applicare il seme casuale fisso in modo coerente nei moduli random di Python, NumPy e nel backend di PyTorch, disabilitando contemporaneamente le operazioni CUDA non deterministiche.
    3. Registrare l'ambiente software, le versioni delle dipendenze, le impostazioni dei parametri, le partizioni dei dati e gli output di addestramento per ogni esecuzione sperimentale.
    4. Eseguire tutti i flussi di lavoro DL utilizzando Ubuntu 22.04 con accelerazione CUDA 11.8 su una workstation dotata di unità di elaborazione grafica NVIDIA RTX 3090 o hardware equivalente.

figure-protocol-1
Figura 1. Flusso di lavoro basato sul deep learning (DL) riproducibile per la previsione delle prestazioni delle batterie agli ioni di litio multicanale. (A) Flusso di lavoro end-to-end riproducibile che illustra l'acquisizione di dati multicanale, la pre-elaborazione standardizzata, la costruzione di tensori, l'addestramento del modello e la previsione degli indicatori di prestazione della batteria. I controlli di riproducibilità includono semi casuali fissi, ripetizioni multiple dell'addestramento, tracciamento dei parametri e registrazione dell'ambiente. (B) Architettura ibrida CNN–LSTM utilizzata per l'estrazione di caratteristiche multicanale, la modellazione di sequenze temporali, la fusione di caratteristiche e la previsione dello stato di salute (SOH), della vita utile residua (RUL) e dell'energia scaricabile. (C) Pipeline di valutazione e implementazione che mostra la selezione iniziale dei modelli candidati, la valutazione della robustezza, l'ottimizzazione degli iperparametri e la selezione finale del modello. Cliccare qui per visualizzare una versione ingrandita di questa figura.

4. Valutazione del modello e previsione delle target

  1. Generare le previsioni del modello
    1. Elaborare i dataset del test-battery bersaglio attraverso ciascun modello addestrato. Caricare i dataset di test preelaborati come tensori serializzati di PyTorch prima dell'inferenza.
    2. Eseguire il passaggio di inferenza diretta utilizzando un gestore contestuale di disabilitazione del gradiente per evitare aggiornamenti indesiderati dei parametri durante la valutazione.
    3. Generare previsioni simultanee per ciascun indicatore di prestazione utilizzando le teste di regressione addestrate.
    4. Estrarre uscite simultanee dalle tre teste di regressione parallele configurate per la previsione di SOH, RUL ed energia scaricabile.
  2. Calcolare i valori effettivi da prevedere
    1. Calcolare lo stato di salute (SOH) confrontando la capacità disponibile attuale con la capacità iniziale della batteria.
    2. Definire la capacità iniziale della batteria come la capacità di scarica massima registrata durante i primi tre cicli di stabilizzazione.
    3. Calcolare lo stato di salute (SOH) come rapporto tra la capacità del ciclo attuale e la capacità iniziale di riferimento stabilita.
    4. Stimare la vita utile residua (RUL) identificando la soglia operativa al di sotto della quale la capacità stabile della batteria cessa.
    5. Definire la fine della vita come il numero di ciclo in cui la capacità della batteria diminuisce irreversibilmente al di sotto dell'80% della capacità nominale.
    6. Calcolare la vita utile residua (RUL) come il numero di cicli rimanenti dal punto di osservazione corrente fino alla soglia definita di fine vita.
    7. Prevedere l'energia scaricabile a partire dalle condizioni di scarica registrate.
    8. Calcolare il valore reale di riferimento dell'energia scaricabile integrando numericamente il prodotto tra tensione di scarica e corrente di scarica lungo l'intervallo di scarica, utilizzando il metodo di integrazione trapezoidale.
  3. Valutare le prestazioni predittive
    1. Calcolare l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE), l'errore percentuale assoluto medio (MAPE) e il coefficiente di determinazione (R2) per ciascun valore da prevedere.
    2. Calcolare tutte le metriche di valutazione utilizzando il modulo metrics di Scikit-learn con formulazioni statistiche standardizzate.
    3. Applicare calcoli identici per tutte le metriche su tutti i modelli, dataset e configurazioni di input per mantenere la coerenza della valutazione.
    4. Raggruppare tutte le metriche di prestazione attraverso i campioni di batterie combinati all'interno del dataset di test indipendente per valutare la generalizzazione complessiva del modello.
  4. Presentare le prestazioni stratificate
    1. Calcolare la media e la deviazione standard per ciascuna metrica di valutazione su ripetute esecuzioni sperimentali.
    2. Derivare le misure statistiche riportate da cinque inizializzazioni indipendenti del modello.
    3. Indicare gli intervalli di confidenza al 95% insieme alle metriche medie di prestazione per quantificare l'incertezza predittiva.
    4. Confrontare le prestazioni del modello in relazione a diverse lunghezze della finestra di osservazione e configurazioni dei canali di input.
    5. Stratificare l'analisi comparativa utilizzando finestre di osservazione corrispondenti a 50, 100 e 200 cicli.
    6. Valutare le prestazioni predittive attraverso diverse configurazioni di input, che vanno da input basati esclusivamente sulla capacità fino all'integrazione completa di tensori multicanale. Fare riferimento a Figura 1C per il flusso di lavoro di valutazione, screening di robustezza e selezione per l'implementazione.

5. Analisi della riproducibilità, robustezza e sensibilità

  1. Verificare la riproducibilità e la robustezza
    1. Mantenere partizioni identiche dei dati, flussi di lavoro di pre-elaborazione e procedure sperimentali in tutte le valutazioni di riproducibilità mostrate in Figura 2A.
    2. Calcolare il coefficiente di variazione delle metriche principali di valutazione su prove ripetute per valutare la coerenza della riproducibilità.
    3. Ripetere tutte le procedure di valutazione utilizzando lo stesso flusso di lavoro standardizzato per l'addestramento e il test.
    4. Inizializzare ogni valutazione ripetuta con pesi di rete randomizzati, mantenendo però procedure deterministiche di caricamento e mescolamento dei dati.
  2. Eseguire esperimenti ripetuti di addestramento
    1. Addestrare ripetutamente i modelli predittivi in condizioni sperimentali identiche, utilizzando valori predefiniti fissi del seme casuale per garantire un'inizializzazione riproducibile dei pesi.
    2. Eseguire cinque addestramenti indipendenti utilizzando partizioni identiche del dataset per ridurre la variabilità legata ai dati.
    3. Calcolare le metriche finali di prestazione facendo la media delle metriche di valutazione ottenute dai cinque addestramenti ripetuti.
    4. Aggregare le metriche finali di robustezza utilizzando i punteggi medi di valutazione, piuttosto che combinando tensori di predizione grezzi.
  3. Valutare la sensibilità agli iperparametri
    1. Modificare singolarmente il tasso di apprendimento, la dimensione del batch, la dimensione del layer nascosto e il rapporto di dropout durante l'analisi di sensibilità.
    2. Valutare tassi di apprendimento compresi tra 1 × 10−4 e 1 × 10−2, dimensioni del batch comprese tra 32 e 128, dimensioni nascoste comprese tra 32 e 256 e rapporti di dropout compresi tra 0,1 e 0,5.
    3. Registrare i corrispondenti cambiamenti nell'accuratezza predittiva dopo ogni modifica degli iperparametri.
    4. Quantificare la variazione delle prestazioni predittive utilizzando RMSE e R2.
  4. Eseguire l'analisi di ablazione delle caratteristiche
    1. Rimuovere canali di input selezionati, tra cui temperatura, resistenza interna e vettori di caratteristiche progettate, dal flusso di input multicanale.
    2. Eseguire l'ablazione delle caratteristiche utilizzando una strategia leave-one-out, rimuovendo un gruppo di caratteristiche alla volta, mantenendo inalterata la struttura multicanale residua dell'input.
    3. Confrontare le prestazioni predittive risultanti dopo ogni esperimento di rimozione delle caratteristiche per valutare il contributo di ciascun gruppo di caratteristiche alla stabilità e all'accuratezza del modello.
    4. Quantificare il contributo relativo di ciascun gruppo di caratteristiche calcolando l'aumento percentuale dell'errore assoluto medio rispetto al modello di riferimento multicanale completamente integrato. Fare riferimento a Figura 2B per il flusso di lavoro di valutazione della robustezza e analisi di sensibilità.

figure-protocol-2
Figura 2. Flusso di lavoro standardizzato per la pre-elaborazione, valutazione della robustezza e analisi della sensibilità. (A) Flusso di lavoro standardizzato per la pre-elaborazione multicanale, che illustra l'elaborazione del segnale ciclico grezzo, la calibrazione dei timestamp, la rimozione degli outlier, il ricampionamento, la normalizzazione, l'allineamento dei canali e la costruzione del tensore. Le strategie di rappresentazione dell'input confrontano input a singolo canale, input grezzi multicanale e input multicanale combinati con caratteristiche ingegnerizzate. (B) Pipeline per l'analisi della robustezza e della sensibilità, che mostra la perturbazione sistematica degli iperparametri, la valutazione mediante esecuzioni ripetute, l'analisi di ablazione delle caratteristiche, la validazione incrociata e la validazione esterna del flusso di lavoro CNN–LSTM. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Segnali di Ciclismo Multicanale e Distribuzione dei Dati

I segnali ciclici multicanale rappresentativi e le distribuzioni di prestazione sono stati analizzati per caratterizzare il comportamento di risposta ciclica delle batterie agli ioni di litio. Lo studio ha utilizzato cinque dataset di batterie agli ioni di litio rappresentanti diversi sistemi chimici, inclusi ossido di litio e cobalto (LCO), ossido di nichel, cobalto e alluminio (NCA), ossido di nichel, manganese e cobalto (NMC) e LFP (Tabella 1). Le variabili fondamentali del ciclo, tra cui tensione, corrente, capacità, temperatura, resistenza interna ed efficienza coulombica o energetica, sono state integrate con caratteristiche derivate, come le caratteristiche di capacità incrementale e di tensione differenziale, per stabilire un quadro di caratterizzazione multicanale. I profili capacità-tensione e le distribuzioni dello stato di salute (SOH) per il dataset CALCE (Figura 3A), i profili medi di tensione e le distribuzioni SOH per il dataset SANYO (Figura 3B), le traiettorie di invecchiamento per il dataset PANASONIC (Figura 3C), le mappe termiche dell'evoluzione della tensione per il dataset KOKAM (Figura 3D) e i profili di distribuzione della tensione per il dataset GOTION (Figura 3E) hanno mostrato comportamenti di degrado distinti tra le diverse chimiche delle batterie valutate. Ad esempio, il dataset GOTION IFP20100140A ha mostrato caratteristiche di tensione a gradino comunemente associate ai sistemi LFP, mentre il dataset PANASONIC NCR18650BD ha mostrato un degrado progressivo della capacità accompagnato da spostamenti del profilo di tensione durante il ciclo a lungo termine.

ID DatasetTipo/Modello della batteriaChimicaFormatoNumero di celleCicli totali analizzatiFinestre dei primi cicli utilizzatePunti di campionamento per cicloCanali principali del cicloCanali aggiuntivi di statoCaratteristiche derivateObiettivi di previsione
Dataset #1CALCE LCO batteryLCOPouch384,216Primi 50, primi 100, primi il 20% della vita128Tensione, corrente, tempo, capacitàTemperatura, resistenza internadQ/dV, dV/dQ, durata della carica, energia in scaricaSOH, RUL, energia scaricabile
Dataset #2SANYO UR18650ENCACilindrico 18650242,487Primi 50, primi 100, primi il 20% della vita128Tensione, corrente, tempo, capacitàTemperatura, efficienza coulombicadQ/dV, pendenza della plateau di tensione, efficienza energeticaSOH, RUL, energia scaricabile
Dataset #3PANASONIC NCR18650BDNCACilindrico 18650425,134Primi 50, primi 100, primi il 20% della vita128Tensione, corrente, tempo, capacitàTemperatura, resistenza interna, efficienza coulombicadQ/dV, dV/dQ, durata della carica, energia totale trasferitaSOH, RUL, energia scaricabile
Dataset #4KOKAM SLPB533459H4NMCPouch191,968Primi 50, primi 100, primi il 20% della vita128Tensione, corrente, tempo, capacitàTemperatura, resistenza internadQ/dV, durata della scarica, pendenza della tensioneSOH, RUL, energia scaricabile
Dataset #5GOTION IFP20100140ALFPPrismatico576,482Primi 50, primi 100, primi il 20% della vita128Tensione, corrente, tempo, capacitàTemperatura, resistenza interna, efficienza energeticadQ/dV, durata della plateau, energia di carica/scaricaSOH, RUL, energia scaricabile

Tabella 1: Caratteristiche dei dataset delle batterie agli ioni di litio, delle variabili di ciclaggio multicanale, delle caratteristiche ingegnerizzate e degli obiettivi di previsione utilizzati nel flusso di lavoro DL riproducibile. La tabella riassume i dataset di batterie agli ioni di litio inclusi in questo studio, comprendenti la chimica della batteria, il formato della cella, il numero di celle, i cicli totali analizzati, le finestre di osservazione, la densità di campionamento, le variabili di ciclaggio multicanale, le caratteristiche elettrochimiche ingegnerizzate e gli obiettivi di previsione utilizzati per lo sviluppo e la valutazione del modello. Abbreviazioni: SOH = stato di salute; RUL = vita utile residua; LCO = ossido di cobalto e litio; NCA = ossido di nichel, cobalto e alluminio; NMC = ossido di nichel, manganese e cobalto; LFP = fosfato di ferro e litio.

figure-results-1
Figura 3. Profili rappresentativi di ciclaggio multicanale e distribuzioni dello stato di salute delle batterie nei dataset di batterie agli ioni di litio. (A) Profili capacità-tensione e distribuzioni dello stato di salute (SOH) per il dataset CALCE di ossido di cobalto e litio. (B) Profili medi di tensione e distribuzioni dello stato di salute (SOH) per il dataset SANYO di ossido di nichel, cobalto e alluminio. (C) Traiettorie di invecchiamento e distribuzioni cumulative dello stato di salute (SOH) per il dataset PANASONIC di ossido di nichel, cobalto e alluminio. (D) Mappe termiche dell'evoluzione della tensione e distribuzioni campione dello stato di salute (SOH) per il dataset KOKAM di ossido di nichel, manganese e cobalto. (E) Profili di distribuzione della tensione e relazioni tra stato di salute (SOH) e resistenza interna per il dataset GOTION di fosfato di litio e ferro. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Prestazioni Predittive Complessive per l'Immaganizzazione dell'Energia

Il flusso di lavoro proposto ha dimostrato errori di previsione ridotti e prestazioni predittive costanti in tutti i compiti di valutazione (Tabella 2). Per la stima dello stato di salute (SOH), il modello ha raggiunto un errore assoluto medio (MAE) di 0,021 nel dataset di validazione e di 0,024 nel dataset di test, con valori corrispondenti di R2 pari a 0,962 e 0,955. Questi risultati indicano prestazioni predittive stabili per la stima continua dello stato di salute della batteria nelle condizioni valutate. Il flusso di lavoro ha inoltre dimostrato una capacità predittiva affidabile per la stima della vita utile residua (RUL) e dell'energia scaricabile, ottenendo valori di R2 sul dataset di test rispettivamente pari a 0,927 e 0,941. Per valutare ulteriormente la stabilità predittiva, tutte le metriche di prestazione sono state calcolate su cinque inizializzazioni indipendenti del modello utilizzando partizioni identiche dei dataset. Gli scarti tipo risultanti e i coefficienti di variazione sono rimasti bassi nelle valutazioni ripetute, indicando una limitata sensibilità all'inizializzazione stocastica e un comportamento predittivo stabile in condizioni ripetute di addestramento. Inoltre, gli intervalli di confidenza al 95% hanno mostrato una variabilità ridotta tra le esecuzioni ripetute, confermando la robustezza e la riproducibilità del flusso di lavoro multicanale proposto.

Attività di previsioneDivisione del datasetMAERMSEMAPE (%)R²
Stima dell'SOHConvalida0.0210.0292.470.962
Stima dell'SOHTest0.0240.0332.830.955
Previsione dell'RULConvalida18.625.98.740.938
Previsione dell'RULTest21.429.79.630.927
Previsione dell'energia scaricabileConvalida0.0870.1213.180.948
Previsione dell'energia scaricabileTest0.0940.1293.560.941

Tabella 2: Prestazioni predittive del flusso di lavoro DL riproducibile per la stima delle prestazioni delle batterie agli ioni di litio su dataset di validazione e di test. La tabella riassume le prestazioni predittive del flusso di lavoro proposto per la stima dello stato di salute (SOH), la previsione della vita residua utile (RUL) e la previsione dell'energia scaricabile, utilizzando dataset di validazione e di test. Le metriche di prestazione includono l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE), l'errore percentuale assoluto medio (MAPE) e il coefficiente di determinazione (R2). Abbreviazioni: SOH = stato di salute; RUL = vita residua utile; MAE = errore assoluto medio; RMSE = errore quadratico medio; MAPE = errore percentuale assoluto medio.

Confronto delle prestazioni tra diverse architetture di apprendimento profondo

La valutazione su diverse architetture di rete e configurazioni di input ha dimostrato una notevole variabilità nelle prestazioni predittive (Tabella 3). Le distribuzioni dell'RMSE prima e dopo la selezione dell'architettura basata sulla riproducibilità sono mostrate in Figura 4A. L'architettura di rete neurale profonda ha prodotto valori di MAE e RMSE relativamente più elevati rispetto alle architetture basate su sequenze e a quelle ibride. I confronti tra diverse configurazioni di input multicanale sono riassunti in Figura 4B. I modelli che integravano l'estrazione di caratteristiche locali e la modellazione temporale incrociata tra cicli hanno mostrato un'accuratezza predittiva migliore nelle condizioni valutate. I modelli con minore variabilità predittiva si sono generalmente raggruppati in corrispondenza di punteggi medi di prestazione più elevati e con deviazioni standard ridotte (Figura 4C). Le relazioni tra prestazione media e deviazione standard nelle diverse configurazioni di input valutate sono illustrate in Figura 4D. Tra le configurazioni testate, l'architettura CNN–LSTM ha ottenuto il valore più basso di MAE (0.024) e il valore più alto di R2 (0.955) all'interno dei dataset e delle condizioni sperimentali valutati. Inoltre, l'integrazione di caratteristiche progettate con input multicanale completi ha ridotto il MAE a 0.022 con un valore di R2 pari a 0.961, mentre gli input basati esclusivamente sulla capacità hanno mostrato prestazioni predittive ridotte.

CategoriaConfigurazione del modello / ingressoMAERMSEMAPE (%)R²
Architettura di apprendimento profondoDNN0.0310.0423.580.928
CNN0.0270.0373.140.941
LSTM0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Transformer0.0250.0342.890.951
Configurazione dell'ingressoSolo capacità0.0340.0463.920.916
Tensione + corrente0.0290.0393.290.936
Ingresso multicanale completo0.0240.0332.830.955
Multicanale + caratteristiche progettate0.0220.0312.610.961

Tabella 3: Confronto delle prestazioni predittive tra diverse architetture di DL e configurazioni di input. La tabella confronta le prestazioni predittive di diverse architetture di DL e configurazioni di input utilizzate nel flusso di lavoro multicanale riproducibile. Le metriche di prestazione includono l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE), l'errore percentuale assoluto medio (MAPE) e il coefficiente di determinazione (R2). Abbreviazioni: DNN = deep neural network; CNN = convolutional neural network; LSTM = long short-term memory; MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error.

figure-results-2
Figura 4. Confronto tra architetture di modelli e configurazioni di input guidato dalla riproducibilità. (A) Distribuzioni dell'errore quadratico medio prima e dopo la selezione dell'architettura basata sulla riproducibilità. (B) Distribuzioni dell'errore quadratico medio per diverse configurazioni di input prima e dopo la selezione del modello stabile. (C) Confronto tra prestazione media e deviazione standard delle architetture di modelli candidate, con colori che indicano l'errore quadratico medio e cerchi vuoti che indicano i modelli stabili selezionati. (D) Confronto tra prestazione media e deviazione standard delle configurazioni di input, con colori che indicano l'errore quadratico medio e cerchi vuoti che indicano le configurazioni ottimali selezionate. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Valutazione della distribuzione degli errori e della coerenza

Le distribuzioni degli errori assoluti sono state analizzate per valutare la stabilità delle previsioni nei confronti dei modelli tradizionali di ML e delle architetture DL. I modelli tradizionali di ML hanno mostrato distribuzioni di errore più ampie e code di errore elevato più lunghe, indicando una stabilità ridotta nei compiti di previsione di modelli complessi di degrado. Tra i modelli DL valutati, l'architettura CNN–LSTM ha dimostrato distribuzioni di errore relativamente più ristrette e code di errore elevato più corte, suggerendo un'integrazione migliore tra l'estrazione di caratteristiche locali e la modellazione di sequenze temporali (Figura 5). L'inclusione di variabili relative alla temperatura, alla resistenza interna e all'efficienza è risultata associata a riduzioni progressive della dispersione dell'errore di previsione nei diversi dataset valutati.

figure-results-3
Figura 5. Distribuzioni di errore assoluto per basi di partenza convenzionali di apprendimento automatico (ML) e modelli DL multicanale. Diagrammi a violino che confrontano la distribuzione degli errori assoluti di previsione tra basi di partenza convenzionali di ML, architetture DL e configurazioni di ingresso multicanale. Le linee nere indicano l'errore medio assoluto, mentre le linee colorate indicano la media ± deviazione standard. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Riproducibilità e robustezza in diversi scenari di validazione

Il flusso di lavoro ha mantenuto prestazioni predittive costanti attraverso ripetuti cicli di addestramento e diverse strategie di validazione (Tabella 4). Le ripetizioni effettuate utilizzando partizioni fisse dei dati e un'inizializzazione fissa del seme casuale hanno prodotto metriche di prestazione stabili, con valori di R2 costantemente superiori a 0,95 e basse deviazioni standard nell'errore assoluto medio (MAE). Un'ulteriore valutazione mediante validazione incrociata a cinque ripiegamenti e set di dati di validazione esterna ha mostrato una limitata variabilità delle prestazioni in diverse condizioni sperimentali ripetute. La fase di validazione esterna ha utilizzato esclusivamente il set di dati GOTION, che è stato completamente escluso dalle procedure di addestramento del modello e di ottimizzazione degli iperparametri. Poiché questo set di dati rappresenta una chimica LFP distinta e una configurazione a cella prismatica, la valutazione esterna ha fornito un'analisi rigorosa della capacità di generalizzazione tra dataset in condizioni elettrochimiche e strutturali eterogenee. Inoltre, le analisi del coefficiente di variazione e le valutazioni su esecuzioni ripetute hanno dimostrato una bassa dispersione predittiva tra esperimenti indipendenti, confermando la robustezza e la riproducibilità del flusso di lavoro multicanale proposto.

Impostazione della validazioneMetrica di prestazioneMediaDSMinimoMassimoCoefficiente di variazione (%)
Esecuzioni ripetute con suddivisione fissata dei dati (n = 5)MAE0.0230.00210.0210.0269.13
RMSE0.0320.00280.0290.0368.75
MAPE (%)2.760.242.483.118.7
R²0.9570.0060.9490.9640.63
Esecuzioni ripetute con diversi semi casuali (n = 5)MAE0.0240.00240.0210.02710
RMSE0.0330.00310.0290.0379.39
MAPE (%)2.840.272.523.199.51
R²0.9540.0070.9460.9620.73
Validazione incrociata a cinque ripiegamentiMAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
Validazione esternaMAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

Tabella 4: Analisi della riproducibilità e robustezza del flusso di lavoro multicanale basato su DL proposto attraverso ripetuti cicli di addestramento e strategie di validazione. La tabella riassume le prestazioni in termini di riproducibilità e robustezza del flusso di lavoro proposto in ripetuti cicli con partizioni fisse dei dati, ripetuti cicli con diversi semi casuali, validazione incrociata a cinque ripiegamenti e validazione esterna. Le metriche di prestazione includono l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE), l'errore percentuale assoluto medio (MAPE), il coefficiente di determinazione (R2), la deviazione standard (SD) e il coefficiente di variazione. Abbreviazioni: MAE = errore assoluto medio; RMSE = errore quadratico medio; MAPE = errore percentuale assoluto medio; SD = deviazione standard.

Sensibilità agli Iperparametri e Ablazione delle Caratteristiche

L'analisi della sensibilità agli iperparametri ha dimostrato che le prestazioni di previsione variavano in base alle dimensioni della finestra di osservazione, alle funzioni di attivazione, alle dimensioni della dimensione nascosta e alla profondità del modello sequenziale. L'effetto delle dimensioni della finestra di osservazione sulle distribuzioni dell'errore di previsione è illustrato in Figura 6A. Nelle condizioni valutate, finestre di osservazione comprese tra 100 e 200 cicli erano associate a errori di previsione inferiori, mentre finestre di osservazione più lunghe mostravano miglioramenti decrescenti nell'accuratezza predittiva. La variabilità della previsione dipendente dalla funzione di attivazione è riassunta in Figura 6B. Le funzioni di attivazione rectified linear unit (ReLU) e Gaussian error linear unit (GELU) hanno mostrato errori di previsione inferiori rispetto ad altre funzioni di attivazione nelle condizioni valutate. La sensibilità delle prestazioni di previsione alla dimensione della dimensione nascosta e alla profondità del modello sequenziale è illustrata in Figura 6C. Dimensioni nascoste pari a 128 e da due a tre strati di modellazione sequenziale erano associate a prestazioni predittive migliorate, mentre architetture poco profonde e dimensioni nascoste ridotte erano associate a un aumento dell'errore di previsione. L'analisi di ablazione delle caratteristiche ha inoltre dimostrato che la rimozione di caratteristiche ingegnerizzate o di variabili relative all'efficienza aumentava l'errore assoluto medio (MAE) rispetto alla configurazione multicanale completa (Tabella 5), suggerendo che l'uso combinato di ingressi multicanale e di caratteristiche elettrochimiche ingegnerizzate contribuiva a migliorare le prestazioni predittive.

figure-results-4
Figura 6. Sensibilità delle prestazioni di previsione alla variazione degli iperparametri. (A) Effetto della dimensione della finestra di input sulla distribuzione dell'errore di previsione. (B) Effetto della scelta della funzione di attivazione sulla distribuzione dell'errore di previsione. (C) Mappa termica che mostra la sensibilità della previsione alla dimensione dello strato nascosto e al numero di strati del modello sequenziale. Le linee nere indicano l'errore assoluto medio, mentre le linee colorate indicano la media ± deviazione standard, ove applicabile. Cliccare qui per visualizzare una versione ingrandita di questa figura.

CategoriaImpostazioneMAERMSEMAPE (%)R²
Dimensione della finestra di input20 cicli0.0310.0433,740,927
50 cicli0,0260,0363,080,944
100 cicli0,0230,0322,710,957
150 cicli0,0220,0312,630,96
200 cicli0,0220,0312,590,961
250 cicli0,0230,0322,670,958
300 cicli0,0240,0332,790,955
Funzione di attivazioneReLU0,0230,0322,740,957
GELU0,0220,0312,610,961
Tanh0,0260,0363,050,946
Sigmoid0,0340,0473,960,918
Dimensione nascosta / Canali per livello320,0280,0393,220,939
640,0240,0332,810,954
1280,0220,0312,580,961
2560,0230,0322,690,958
Numero di livelli di modellazione delle sequenze10,0270,0383,140,942
20,0230,0322,730,956
30,0220,0312,60,961
40,0240,0342,860,952
Ablazione delle caratteristicheCaratteristiche multicanale complete + caratteristiche ingegnerizzate0,0220,0312,610,961
Senza caratteristiche ingegnerizzate0,0240,0332,840,955
Senza temperatura0,0250,0342,930,951
Senza resistenza interna0,0260,0353,010,949
Senza variabili relative all'efficienza0,0250,0342,950,95
Solo tensione e corrente0,0290,0393,290,936
Solo capacità0,0340,0463,920,916

Tabella 5: Analisi della sensibilità delle prestazioni del modello in diverse configurazioni di iperparametri e di ablazione delle caratteristiche. La tabella riassume gli effetti della dimensione della finestra di input, della funzione di attivazione, della dimensione della dimensione nascosta, della profondità del modello sequenziale e delle strategie di ablazione delle caratteristiche sulle prestazioni predittive all'interno del flusso di lavoro DL multicanale proposto. Le metriche di prestazione includono l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE), l'errore percentuale assoluto medio (MAPE) e il coefficiente di determinazione (R2). Abbreviazioni: MAE = errore assoluto medio; RMSE = errore quadratico medio; MAPE = errore percentuale assoluto medio; ReLU = unità lineare rettificata; GELU = unità lineare gaussiana dell'errore.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il flusso di lavoro DL riproducibile descritto in questo protocollo ha dimostrato una previsione accurata delle prestazioni delle batterie agli ioni di litio utilizzando dati di ciclaggio multicanale. Il flusso di lavoro ha raggiunto un errore medio assoluto (MAE) di 0,024 e un valore di R2 pari a 0,955 per la stima dello stato di salute (SOH) nelle condizioni sperimentali valutate, sostenendo la sua potenziale utilità per la gestione del ciclo di vita delle batterie e per applicazioni di monitoraggio dell'accumulo di energia11,12,13.

Un vantaggio principale di questo protocollo è la riduzione della complessità computazionale rispetto ai modelli tradizionali di PDE elettrochimici-fisici5. Sebbene gli approcci basati sulla fisica offrano informazioni meccanicistiche sul degrado delle batterie, spesso incontrano difficoltà nell'identificazione dei parametri in condizioni di scarica ad alta velocità e in ambienti operativi multicanale. Al contrario, il presente flusso di lavoro basato sui dati modella direttamente il comportamento di degrado non lineare a partire dai dati di ciclaggio, senza richiedere una parametrizzazione esplicita basata sulla fisica della chimica della cella14. All'interno dei set di dati valutati e delle condizioni sperimentali, l'architettura CNN–LSTM ha dimostrato prestazioni predittive migliorate rispetto ai modelli CNN, LSTM e basati su trasformatori valutati separatamente. Studi recenti hanno dimostrato l'efficacia delle architetture trasformatori per la previsione del degrado con stima dell'incertezza15, nonché la capacità delle CNN nella previsione di guasti alle batterie con salvaguardia della privacy, utilizzando dati eterogenei di ricarica16. Tuttavia, l'architettura CNN–LSTM è stata privilegiata nel presente flusso di lavoro poiché offre una combinazione equilibrata di accuratezza predittiva, efficienza computazionale e stabilità durante l'addestramento nelle condizioni sperimentali valutate. I livelli convoluzionali hanno estratto caratteristiche morfologiche localizzate dalle curve di ciclaggio, mentre i livelli LSTM hanno modellato le dipendenze temporali a lungo raggio attraverso schemi ciclici ripetuti17,18. Sebbene l'architettura ibrida aumenti la complessità del modello rispetto alle strutture a rete singola, i requisiti computazionali sono rimasti compatibili con scenari pratici di implementazione nei sistemi di gestione della batteria nelle condizioni sperimentali valutate. Poiché la maggior parte del costo computazionale si verifica durante l'addestramento offline del modello, la fase di inferenza rimane relativamente leggera, sostenendo la fattibilità di previsioni in tempo reale a bordo e del monitoraggio dello stato della batteria a livello edge, senza dipendenza continua dal calcolo basato su cloud.

Le prestazioni di questo protocollo dipendono fortemente da diversi passaggi critici di pre-elaborazione e configurazione degli input. In primo luogo, procedure rigorose di allineamento delle sequenze e di ricampionamento (Passaggio 2.2) sono essenziali per preservare le relazioni temporali tra i segnali ciclici multicanale. Sequenze multicanale non allineate sono state associate a una ridotta stabilità predittiva e a un aumento dell'errore del modello durante le valutazioni preliminari. In secondo luogo, l'integrazione di caratteristiche elettrochimiche progettate, come le caratteristiche di tensione differenziale, con i segnali ciclici grezzi ha contribuito a migliorare le prestazioni predittive. L'analisi di ablazione delle caratteristiche ha dimostrato valori inferiori di errore assoluto medio quando le caratteristiche progettate sono state mantenute insieme alle variabili di temperatura e di resistenza interna19. Inoltre, la combinazione di descrittori elettrochimici progettati con caratteristiche temporali multicanale ha migliorato la capacità del modello di catturare modelli complessi di degrado in diverse condizioni operative20,21,22. Una misura metodologica fondamentale adottata in questo studio è stata l'isolamento rigoroso dei fattori di scala per la normalizzazione e delle basi per l'ingegnerizzazione delle caratteristiche. Tutti i parametri statistici di normalizzazione e i calcoli delle caratteristiche progettate sono stati derivati esclusivamente dal dataset di addestramento prima di essere applicati ai dataset di validazione e di test. Questa procedura ha ridotto il rischio di perdita di informazioni durante la previsione dei cicli iniziali e la valutazione incrociata tra dataset, migliorando così l'affidabilità e la riproducibilità del flusso di lavoro predittivo.

Durante l'esecuzione o la modifica di questo protocollo, potrebbero verificarsi instabilità nell'addestramento o problemi legati ai gradienti durante l'ottimizzazione di CNN–LSTM. Funzioni di perdita che non convergono o generano valori NaN potrebbero indicare un'esplosione del gradiente all'interno dei livelli di modellazione sequenziale ricorrenti. In tali situazioni, la limitazione dei gradienti, la riduzione del tasso di apprendimento iniziale da 1 × 10−3 a 1 × 10−4, oppure moderati aumenti della dimensione del batch potrebbero migliorare la stabilità dell'addestramento livellando gli aggiornamenti dei gradienti. Inoltre, le funzioni di attivazione ReLU e GELU si sono associate a un migliore propagarsi dei gradienti rispetto alle funzioni di attivazione sigmoide o tangente iperbolica durante la modellazione profonda di sequenze temporali. Le analisi sulla sensibilità agli iperparametri presentate in questo studio potrebbero quindi aiutare i ricercatori a ottimizzare la stabilità del flusso di lavoro e le prestazioni predittive in diverse condizioni di addestramento23.

Nonostante le prestazioni predittive ottenute nelle condizioni valutate, questo protocollo presenta diversi limiti. L'attuale flusso di lavoro è stato convalidato principalmente utilizzando dataset di cicli a corrente costante/tensione costante generati in laboratorio. Nelle applicazioni pratiche per veicoli elettrici, le batterie sono soggette a comportamenti stocastici di carica e scarica, a schemi operativi variabili degli utenti e a condizioni ambientali fluttuanti che possono alterare le caratteristiche di degrado. In tali condizioni operative dinamiche, i modelli di batteria basati sui dati potrebbero incontrare scenari fuori dalla distribuzione in cui traiettorie di degrado precedentemente non osservate o condizioni ambientali riducono l'affidabilità predittiva. Per migliorare la robustezza negli ambienti di implementazione pratici, le future versioni di questo flusso di lavoro potrebbero incorporare strategie di quantificazione dell'incertezza, come l'apprendimento profondo basato su evidenze (evidential DL) o framework di regressione quantilica, al fine di fornire limiti di confidenza calibrati insieme alle previsioni dello stato della batteria. Inoltre, approcci di adattamento del dominio e di apprendimento per trasferimento potrebbero aiutare a colmare il divario distributivo tra le traiettorie di degrado generate in laboratorio e il comportamento reale di ciclaggio24. Strategie di apprendimento federato o di apprendimento per trasferimento con pesi dinamici potrebbero inoltre supportare il pre-addestramento del modello mediante ampi dataset di laboratorio seguito da un affinamento con quantità limitate di dati operativi reali, preservando al contempo la privacy dei dati degli utenti25. Sebbene il framework attuale abbia dimostrato prestazioni predittive stabili in condizioni controllate di laboratorio, i sistemi di gestione della batteria (BMS) nei veicoli elettrici devono operare con profili di carico altamente dinamici e temperature ambientali fluttuanti. Le future adattamenti di questo flusso di lavoro potrebbero quindi trarre beneficio dall'incorporazione di dati realistici di cicli di guida e strategie di aggiornamento online del modello per migliorare l'affidabilità predittiva durante il dispiegamento nel mondo reale.

Standardizzando le procedure di partizionamento dei dati, preelaborazione, estrazione delle caratteristiche e inizializzazione del seme casuale, questo protocollo migliora la riproducibilità all'interno dei flussi di lavoro pratici di apprendimento automatico per le batterie26. La strategia multicanale di integrazione delle caratteristiche e il quadro di addestramento orientato alla riproducibilità qui presentati potrebbero supportare lo sviluppo futuro di sistemi di gestione delle batterie predittivi per l'immagazzinamento di energia rinnovabile, il monitoraggio dei veicoli elettrici e la valutazione del ciclo di vita a lungo termine delle batterie.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori dichiarano di non avere interessi finanziari in conflitto né conflitti di interesse.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori ringraziano il sostegno istituzionale fornito dal Dipartimento di Fisica della Southern University of Science and Technology e dal Homerton College dell'Università di Cambridge, che hanno messo a disposizione l'ambiente accademico e le risorse computazionali necessarie per questa ricerca. Gli autori ringraziano inoltre le istituzioni di ricerca e i collaboratori che hanno reso disponibili pubblicamente i dataset open-access sulle batterie agli ioni di litio, inclusi CALCE, SANYO, PANASONIC, KOKAM e GOTION, consentendo così questa analisi multicanale completa.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Dati della batteria CALCECentro per l'Ingegneria del Ciclo di Vita Avanzata (CALCE), Università del Marylandhttps://calce.umd.edu/battery-dataFonte di dati multicanale sul ciclo di vita delle batterie agli ioni di litio per l'addestramento e la validazione del modello
CUDA ToolkitNVIDIAVersione 11.8Accelerazione GPU per l'addestramento del modello di apprendimento profondo
Dati GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2Validazione esterna e analisi della degradazione della batteria multicanale
Dati KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1Modellazione e validazione della degradazione della batteria multicanale
MatplotlibSquadra di sviluppo di MatplotlibVersione 3.7.1Visualizzazione delle prestazioni del modello, analisi della sensibilità e risultati di riproducibilità
NumPySviluppatori di NumPyVersione 1.24.3Calcolo numerico e costruzione di tensori
Dati PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1Fonte di dati ciclici multicanale ed estrazione di caratteristiche progettate
PandasSviluppatori di PandasVersione 2.0.3Organizzazione dei dati, preelaborazione e gestione di dati tabulari
PyTorchFondazione PyTorchVersione 2.0.1Costruzione e addestramento di architetture di apprendimento profondo, inclusi modelli CNN–LSTM
PythonFondazione Software PythonVersione 3.10.12Preelaborazione dei dati, ingegnerizzazione delle caratteristiche, addestramento e valutazione del modello
Dati SANYO UR18650EArchivio Dati Prognostici NASAhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/Fonte di dati ciclici multicanale per la valutazione della riproducibilità e la validazione del modello
Scikit-learnSviluppatori di Scikit-learnVersione 1.2.2Implementazione del modello di riferimento, partizionamento del dataset e calcolo delle metriche di prestazione

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
  2. Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
  3. Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
  4. Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
  5. Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
  6. Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
  7. Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
  8. Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
  9. Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
  10. Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
  11. Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
  12. Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
  13. Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
  14. Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
  15. Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
  16. Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
  17. Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
  18. Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
  19. Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
  20. Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
  21. Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
  22. He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
  23. Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
  24. Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
  25. Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
  26. Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Previsione delle prestazioni della batteriaModelli a rete neuraleFeature engineeringStato di saluteVita utile residuaGestione del ciclo di vita della batteriaModellazione predittiva

Articoli correlati