迁移学习深度网络

弛豫期大幅缩短

通过迁移学习缩短电池静置时间，使电化学阻抗谱测量能够在实时荷电状态估计中实用化，并跨化学体系泛化。

Yichun, Li · Maleki, Mina · Banitaan, Shadi · Hu, Panpan · Yihong, Chen · Rongli, Liu

Journal of Power Sources 2025

参数信息

均方误差

0.0063

平均绝对误差

0.0664

MSE降低百分比

77.58 %

再训练数据比例（LFP）

30 %

迁移至NCM时MSE降低百分比

82.08 %

迁移至NCM时MAE降低百分比

53.15 %

再训练数据比例（NCM）

20 %

技术优势

无需静置

迁移学习模型能直接利用无静置EIS数据，避免了传统方法对长时间弛豫的依赖。

数据需求大幅减少

再训练仅需原数据集的30%（LFP），迁移至NCM时仅需20%，降低了数据采集成本。

跨化学体系泛化

在LFP上训练的模型迁移到NCM电池，误差大幅降低，无需为每种电池单独从零训练。

应用场景

• 电池荷电状态估计：在不静置条件下用EIS快速准确估算SOC，替代传统需长时间弛豫的方法。
• 电池管理：将实时EIS模型集成到BMS中，提供在线SOC信息以优化电池管理策略。
• 锂离子电池诊断：利用无静置EIS数据进行高效诊断，减少数据需求和停机时间。
• 实时电池监控：支持实时EIS测量和SOC监控，无需等待电池静置。
• 电池系统状态感知：通过EIS结合迁移学习实现快速状态感知，适应不同电池类型。