隨著全球對可再生能源需求的日益增長，電池作為儲能系統關鍵技術的地位愈發凸顯。然而，電池研發過程中面臨著從材料原型到商業產品轉化的重重挑戰，電池原型驗證效率低、研發成本高以及生產廢料管理不善等問題制約著電池行業的可持續發展。

在電池制造領域，傳統的容量校準方法在原型驗證時需耗費大量時間。同時，制造的不一致性和電池老化的多樣性，使得電池原型的性能評估變得極為復雜。為此，清華大學深圳國際研究生院張璇、周光敏、李陽團隊提出了一種基于物理信息學習的電池衰減軌跡早期預測方法。該方法通過計算熱力學和動力學參數，并將其關聯至未來狀態變化，從而實現對電池整個衰減軌跡的早期預測。與傳統方法相比，該方法僅利用電池原型的早期循環數據（50次循環，占總壽命4%），即可達成95.1%全壽命平均預測準確率，將原型驗證速度提升了至少25倍。

圖2 應用物理信息學習方法的動機、模型構建和部署

團隊采用與電動汽車快速充電兼容的多步充電方案，范圍從0.33C到3C，共包含9個步驟。其中的截止電壓（U1-U9）代表每個荷電狀態即SOC的充電接受程度，并在25℃、35℃、45℃和55℃四個溫度下進行測試，如圖3所示。

圖3 原始數據集信息及可視化

團隊基于電化學原理進行特征工程，核心思想是：大電流充電時動力學過程主導，小電流階段時熱力學過程主導。由此可得到代表熱力學衰減和動力學衰減的特征，分別描述了與電流無關的材料不可逆衰減和與電流相關的電化學過程可逆衰減。

圖4可解釋特征工程

所提出的物理信息學習模型分為三個步驟：首先，用可解釋特征工程表達電池多維電化學過程；其次，用早期電化學過程數據推演后期尚未建立的電化學狀態；最后，用推演后的電化學狀態進行電池衰減曲線預測。實驗采用多源域自適應設置（25℃和 55℃數據可用）并在35℃和45℃溫度下預測，利用早期循環數據即可實現準確的全壽命衰減曲線預測。

圖5 物理信息學習模型的統計學性能

團隊通過數值模擬確認了多階段充電方式在表達熱力學和動力學衰減過程的電化學原理依據，并通過物理信息學習模型的特征重要性分析發現了熱力學和動力學衰減在電池總衰減比例上吻合。這說明所提出的模型可以通過結合電化學原理和可獲取的電流和電壓信號表達電化學過程，從而實現非侵入式的電池衰減曲線預測。

圖6 物理信息學習模型的電化學原理分析

團隊分析了利用所提出的物理信息學習模型進行電池生產制造環節的劣品檢測和廢料回收的技術經濟性。其中，重點分析了直接修復輕微衰減電池（健康狀態即SOH>95%）的年利潤、累計利潤，以及不同SOH下回收的單位利潤構成和環境能源影響。結果表明，所提出的模型對于生產制造環節的廢料管理可持續性具有顯著提升效果。

圖7 物理信息學習模型的技術經濟性分析

相關研究成果以“Non-destructive degradation pattern decoupling for early battery trajectory predictionviaphysics-informed learning”（基于物理信息學習的電池衰減軌跡早期預測）為題發表在Energy & Environmental Science上，并被選為封面論文。清華大學深圳國際研究生院2022級博士研究生陶晟宇為論文第一作者，2021級碩士研究生張夢天、2023級碩士研究生趙子曦為共同第一作者。合作者包括欣旺達動力科技股份有限公司徐中領博士、于文軍博士、劉瑤俊團隊，清華大學車輛與運載學院郝瀚副教授團隊，格羅寧根大學能源與可持續發展研究所孫鑫助理教授，麻省理工學院化學工程學院車云弘博士和加州大學伯克利分校土木與環境學院Scott Moura副教授。清華大學車輛與運載學院2023級博士研究生李昊陽，深圳國際研究生院馬睿飛對技術經濟分析作出重要貢獻。清華大學深圳國際研究生院張璇、周光敏、李陽副教授、重慶大學機械與運載工程學院胡曉松教授為共同通訊作者。該研究得到了山西省能源互聯網研究院、清華大學深圳國際研究生院、深圳市鵬瑞基金會、廣東省基礎與應用基礎研究基金等科研經費支持。

論文鏈接：https://doi.org:10.1039/D4EE03839H