锂离子电池作为众所周知的储能设备，已广泛应用于电动车辆、移动机器人、储能场站等领域。不可避免的容量退化是电池当前面临的最紧迫、最具挑战的问题之一。电池的容量退化一般用健康状态（SOH）来描述，准确、可靠的SOH估计对电池管理、梯次利用容量筛选等至关重要。近年来，尽管基于数据驱动的SOH估计已得到了快速发展，然而它们的实际应用仍然面临着数据和特征层面的两个主要挑战。首先，现有的大多数基于监督学习的SOH估计方法的性能受限于大量珍贵的有标签数据的规模。然而，通过老化实验获取有标签数据极其耗时且成本高昂。其次，复杂耗时的健康特征构建过程极大地阻碍了这些方法的实际应用。同时，缺乏机理解释的健康特征进一步降低了SOH估计模型推广的信心。

针对上述关键挑战，西安交通大学机械工程学院徐俊研究团队提出了一种基于半监督协同训练的SOH估计方法。该方法可以有效利用工业现场的无标签数据，仅需充电过程部分数据即可实现更加精准、鲁棒的锂电池在线容量估计。同时对所提取的三个健康特征赋予深层机理解释。系统性的实验验证表明，仅利用1块电池的实验室数据（有标签数据）及工业现场的无标签数据，该方法的精度相比两个监督学习基线提高了53%和26%，同时大幅优于六种流行的机器学习和深度学习方法。这项工作突出了将大量无标签工业数据与有限的有标签实验数据结合起来估计锂电池SOH的广阔前景。

近日，该项工作以“利用无标签数据改善锂电池健康状态估计”（Improving state-of-health estimation for lithium-ion batteries via unlabeled charging data）为题发表于储能领域权威期刊《储能材料》（Energy Storage Materials）。论文第一作者为博士生林川平，通讯作者为徐俊副教授，合著作者梅雪松教授，西安交通大学为唯一通讯单位。

论文链接：https://www.sciencedirect.com/science/article/pii/S2405829722005578

徐俊研究团队主页：/xjtu/smu_gr/web/xujunx