编者按：在全球向新能源转型的浪潮下，电动汽车的普及率正不断提升。然而，在享受电动汽车便利性的同时，你是否也在担忧电池的续航问题？电池的性能和寿命以及相应的监测、维护、回收等相关问题也同样困扰着电动汽车生产企业。而且如果废旧电池在回收、拆解和再利用的过程中处理不当，可能会对环境造成二次污染。
为了更有效地实现动力电池性能和寿命的精准预测，以及相应的对废旧动力电池的绿色回收和高效重复利用，微软亚洲研究院联手日产汽车针对电池退化问题展开了研究。基于日产汽车特有的电池数据，双方共同开发了一种全新的机器学习预测方法。通过挖掘电池结构的高级特征，该方法将电池退化预测准确率的平均误差控制在0.0094，为日产汽车的电池高效回收提供了有力依据。
近年来，碳排放问题日益严重，对全球社会的可持续发展构成了重大威胁。为了缓解地球面临的危机，全球各界都在积极实施碳减排政策，以实现长期的碳中和目标。而动力电池的回收与再利用，是实现这一目标的关键之一。通过对电池健康状态（SoH）进行评估，然后修复或重组，这些电池可以在小型电动汽车、储能系统和智能微电网等场景中被再次利用，从而延长其使用寿命并充分挖掘其剩余价值。
然而，准确评估电池的剩余价值并非易事。为了解决这一问题，日产汽车与微软亚洲研究院携手合作，共同探索解决方案。
从小处着手，迈向碳中和
作为推出全球首款量产纯电动车型的企业，日产汽车一直积极投身于碳减排行动中。2021年，日产宣布了碳中和目标：计划到2050年，实现汽车全生命周期的碳中和。电池的管理与创新对于日产汽车实现2050年碳中和目标至关重要，电池回收则是实现这一目标的关键组成部分。
日产电动汽车系统研究所负责人大間敦史指出，目前电动汽车和电池的平均生命周期大约为10年，其中材料开采和制造过程产生的二氧化碳排放量占其全生命周期碳排放量的50%。日产汽车的目标是通过将电动汽车和电池的生命周期延长至15年以上，以减少二氧化碳的排放。为了实现这一目标，日产汽车希望利用人工智能和大数据等前沿技术推动电池和电动汽车设计开发的创新。
携手合作促进电动汽车碳减排
自2020年微软宣布可持续发展承诺及实施计划以来，微软亚洲研究院也积极展开行动，致力于通过跨学科研究以及与相关领域的行业合作伙伴合作，应对可持续发展的挑战。此前，微软亚洲研究院已经开源了可用于电池性能分析和预测的一站式机器学习工具 BatteryML，并持续研究预测和管理电池健康及寿命的方法。
共同的碳中和愿景和对锂离子电池性能预测研究的一致追求，促成了日产汽车与微软亚洲研究院的合作。双方致力于通过深入电池性能退化研究来提升锂离子电池的性能预测，以实现碳中和目标。
“通过与微软亚洲研究院合作，我们一起研发了创新性的电池退化预测方法，提升了电池回收的效率并促进了资源的再利用。这是日产汽车实现长期碳中和目标的关键一步，我们正在以‘大处着眼，小处着手’的策略向着目标前进。”
大間敦史，日产汽车电动汽车系统研究所负责人
创新方法实现更快、更准确的电池预测
电池健康状态是电池有效回收的关键。不过，可用容量不能完全代表电池健康状态，更重要的因素包括电池使用寿命内化学物质的完整性，如锂、钴和镍的含量。传统上，电池退化预测依赖基于化学、电化学和机械原理的数学模型。但这种方法需要通过重复实验来不断调整参数，而每次实验都要对电池进行拆解和化验分析，这可能会耗费长达半年甚至一年的时间。而且，只要电池化学成分发生变化，就需要进一步的实验并调整参数。为了解决这些问题，日产汽车希望借助机器学习技术，基于外部信号来预测电池健康状态，以最大限度地减少对物理实验的需求。
然而采用机器学习方法预测电池性能面临两个挑战。一是由于电池充放电周期长，难以收集到足够的数据。二是因为电池运行条件和外部因素大相径庭，导致信号采集非常复杂，很多信号虽然与电池容量相关，但又不能直接反映电池健康状态。
为了排除干扰噪音，找到准确反映电池内部状态的信号规律，微软亚洲研究院的研究员们设计了一系列特殊特征，来分析在不同电压和电流条件下锂离子电池内部的化学变化。通过将这些关键特征与日产汽车的真实数据结合，以此提升机器学习模型的预测精度。
“我们发现学术公开数据集与企业真实数据之间存在较大的差异。由于企业的数据模式、测试条件和预测目标等等都与学术数据不同，所以现有学术论文中的方法难以直接适配于企业场景。只有深入到企业的真实场景中，发掘行业独特的数据特色，并与前沿人工智能方法相结合，才能开发出高效实用的电池模型。”
郑顺，微软亚洲研究院高级研究员
数据驱动模型的准确性在仿真数据中提高了80%，在实验数据上提升超30%
以预测电池的长程健康状态为例，研究员们首先重定义了整个特征空间。这个空间包含了对电池退化原因的统一表征。如图3所示，研究员们采用高阶特征工程分析了充电和放电循环期间电压-容量曲线退化模式产生的各种特征。研究员们通过区分高电压和低电压间隔之间的信息，包括作为电池健康有效指标的一阶和高阶差异，增强了模型的预测能力，并提供了对电池性能和寿命的深入洞察。
与学术界 SOTA 的电池预测方法相比，微软亚洲研究院与日产汽车的联合创新方法在使用日产汽车的仿真数据进行测试时，准确性提升了约80%；而在使用实验数据时，准确性提升超过30%。如图4所示，新的方法仅使用电池的前50个循环数据就能预测到200个循环时电池的健康状态，平均绝对误差（MAE）控制在了0.0094。这一结果表明数据驱动模型在电池健康预测上潜力巨大，非常有助于更加高效、准确、智能的电池监测与管理。
利用数据驱动的方法，研究员们还发现，电压在3.9伏时的电池状态与 NMC（镍锰钴氧化物）晶体结构的变化（从 M 相到 H2 相）呈现出一致性。这一特征与电化学研究领域的发现一致，证实了数据驱动方法在识别影响电池退化的关键特征方面具有重要的现实意义。
“这项研究从两方面延长了动力电池的寿命。一是通过判断动力电池的剩余寿命，更好地实现了电池的再利用价值；二是，找到了一条更有效的退役电池回收策略。这一独特的方法不仅能预测电池健康状态，还能预测正极（NMC）健康状态，提高了预测模型的可靠性。更令人惊讶的是，数据驱动的正极（NMC）电池健康状态预测模型对特定电压（3.9V）表现出的高灵敏度，与基于物理模型的预测结果相吻合。与微软亚洲研究院的合作表明，人工智能技术可以应用于电池的制造阶段，包括材料选择和流程优化等环节。”
文贞媛，日产汽车电动汽车系统研究所工程师
人工智能助力可持续发展还将大有可为
日产汽车和微软亚洲研究院的合作成果突显了机器学习、深度学习等人工智能技术在电动汽车领域应用的巨大潜力。除了电池回收的健康状态预测，人工智能还可以为驾驶员提供电池寿命预测服务，优化驾驶体验，实现更智能的驾驶。不仅如此，人工智能在新材料和新物质的发现上也将大有可为，有望推动电池和电动汽车技术的进一步创新。
“这项研究从两方面延长了动力电池的寿命。一是通过判断动力电池的剩余寿命，更好地实现了电池的再利用价值；二是，找到了一条更有效的退役电池回收策略。这一独特的方法不仅能预测电池健康状态，还能预测正极（NMC）健康状态，提高了预测模型的可靠性。更令人惊讶的是，数据驱动的正极（NMC）电池健康状态预测模型对特定电压（3.9V）表现出的高灵敏度，与基于物理模型的预测结果相吻合。与微软亚洲研究院的合作表明，人工智能技术可以应用于电池的制造阶段，包括材料选择和流程优化等环节。”
文贞媛，日产汽车电动汽车系统研究所工程师
基于合作取得的初步成果，日产汽车与微软亚洲研究院计划进一步深化、拓展双方的合作关系，在推动技术进步的同时，助力双方在实现可持续发展和环境保护方面迈出更坚实的步伐。
