具有高信賴度參數的電化學模型能夠正確描述鋰離子電池的性能。因此，開發一種準確、高效的參數識別方法對於精確預測電池的健康狀態(SOH)至關重要。過去大多數對這些參數的估計都是以放電電壓作為唯一要擬合的目標。此處，放電的一階導數曲線，即 dQ/dV 曲線，被提出作為另一個擬合目標，因為這條新曲線與電池老化直接相關。在執行多目標優化當中，我們使用與放電曲線及其導數曲線相關的四種不同的目標函數，以及採用兩種算法，即基因演算法和深度神經網路(如圖一)。結果顯示，通過使用基因演算法，對每一個循環而言，放電曲線的平均絕對誤差均小於0.07(V)，ICA曲線誤差則小於0.32(Ah/V)，兩者都表現出良好的收斂性。深度神經網路也呈現了出色的結果。我們得到了13 個電化學參數的演變(如圖二)，並證明了負極初始鋰離子濃度與電池的循環壽命最為相關。（應力所陳國慶所長提供） 圖一 深度神經網路估計DFN模型參數的流程圖 圖二 SOH 和13 個模型參數的演化
具有高信賴度參數的電化學模型能夠正確描述鋰離子電池的性能。因此，開發一種準確、高效的參數識別方法對於精確預測電池的健康狀態(SOH)至關重要。過去大多數對這些參數的估計都是以放電電壓作為唯一要擬合的目標。此處，放電的一階導數曲線，即 dQ/dV 曲線，被提出作為另一個擬合目標，因為這條新曲線與電池老化直接相關。在執行多目標優化當中，我們使用與放電曲線及其導數曲線相關的四種不同的目標函數，以及採用兩種算法，即基因演算法和深度神經網路(如圖一)。結果顯示，通過使用基因演算法，對每一個循環而言，放電曲線的平均絕對誤差均小於0.07(V)，ICA曲線誤差則小於0.32(Ah/V)，兩者都表現出良好的收斂性。深度神經網路也呈現了出色的結果。我們得到了13 個電化學參數的演變(如圖二)，並證明了負極初始鋰離子濃度與電池的循環壽命最為相關。（應力所陳國慶所長提供）
圖一 深度神經網路估計DFN模型參數的流程圖
圖二 SOH 和13 個模型參數的演化