清华大学EES：基于物理信息学习的电池衰减轨迹早期预测

本文介绍了清华大学深圳国际研究生院张璇、周光敏、李阳副教授团队提出的一种基于物理信息学习的电池衰减轨迹早期预测方法。该方法通过计算热力学和动力学参数，并将其关联至未来状态变化，从而实现对电池整个衰减轨迹的早期预测。与传统方法相比，该方法仅利用电池原型的早期循环数据（50次循环，占总寿命4%），即可达成95.1%全寿命平均预测准确率，将原型验证速度提升了至少25倍。研究还分析了该模型在电池生产制造环节的劣品检测和废料回收的技术经济性，结果表明该模型对于生产制造环节的废料管理可持续性具有显著提升效果。相关研究成果发表在《能源与环境科学》期刊上。