由于锂电池具有能量密度高、使用寿命长等优点，当前已被广泛应用于电动汽车、手机等各个领域，在现代社会中起着至关重要的作用。为了保证电池系统的安全可持续运行，需要对锂电池寿命进行准确预测，以便有效管理其健康状态。传统的基于物理和半经验模型的预测方法易受误差影响，精度十分有限。近年来，尽管数据驱动的寿命预测方法在技术上取得了显著进步，但由于缺乏足够多的标记数据，其模型的准确性依然受到严重制约。
针对上述挑战，复旦大学微电子学院陶俊教授团队与昆山杜克李昕教授团队、上海交通大学万佳雨副教授团队合作提出了利用未标记数据进行半监督学习的电池寿命预测方法——部分贝叶斯协同训练（PBCT）。近日，相关成果以“Semi-supervised learning for explainable few-shot battery lifetime prediction”为题发表于《焦耳》（Joule）。
据介绍，未标记数据指那些未包含寿命测量信息的电池测试记录。实际上，无论在锂离子电池的制造阶段、使用过程还是维护期间，都存在海量的未标记数据。这些数据易于获取，数量巨大，且数据模式统一，无需担心由于错误假设或跨领域测试差异带来的各种问题。PBCT充分利用了这些低成本且丰富的未标记数据，通过提取其中的隐藏信息，深化了对底层数据模式的认识，进而显著提升了电池寿命预测的精确度。
与现有的方法相比，PBCT在寿命预测精度上取得了高达20%的提升，且几乎无需额外的数据采集成本。因此，在同样预测精度的前提下，PBCT可以大幅度降低数据采集成本。此外，该研究还发现，将未标记数据纳入训练过程中，有助于揭示影响电池寿命的关键因素，这些因素在仅对标记数据进行分析时往往会被忽略。因此，PBCT这一监督学习技术为高效且具备可解释性的数据驱动电池状态估计开辟了新的路径，引领了未来的研究方向。
昆山杜克大学教授李昕、上海交通大学副教授万佳雨和复旦大学教授陶俊等为共同通讯作者，复旦大学微电子学院博士生郭南麟和南方科技大学研究生陈思慧为共同第一作者。
