随着锂离子电池在日常生活及电动汽车领域的广泛应用，电池安全问题成为社会各界关注的焦点。岭南大学科学教研组助理教授唐晓鹏与上海理工大学、上海工程技术大学和同济大学的研究团队合作，就此展开相关课题研究。团队成功研发出一种基于极少量真实电池样本的深度学习模型，能够通过在线计算方法高效、准确地测量电池阻抗特性。近日，该成果合著论文《基于小样本学习的多场景电池阻抗谱在线生成》在国际知名学术期刊《细胞报告物质科学》上发表。

唐晓鹏。

电化学阻抗谱（EIS）作为评估电池性能的关键指标，能够描述电池内部阻抗随频率变化的特性，进而反映电池的健康状态、老化机制、功率特性及温度等信息。然而，传统测量方法受限于高昂成本、复杂系统操作及耗时长的缺点，难以广泛普及。此前，有研究者曾尝试通过搭建深度学习模型，研发新的电池监测技术，但由于不同电池的温度、老化程度和效能差异较大，需要获取海量参考数据描述电池状态，在实践层面存在困难。

针对这一问题，唐晓鹏团队创新性地提出了“小样本学习方法”，通过模拟技术生成大量虚拟电池样本数据，训练深度学习模型。这些样本涵盖大多数的电池状况，包括不同的电池化学物质、老化程度、剩余容量和温度等，有效缓解了电池数据不足的问题。

在此基础上，研究团队利用不足30组的真实电池样本对深度学习模型进行微调，成功开发出一种低成本、高效率且高精度的在线电池检测方法，并将检测误差控制在5%以内。

“这项研究的亮点在于仅需极少量的电池样本就能构建出高精度的深度学习模型，突破了传统方法对数据量的依赖。”唐晓鹏介绍，模型使用者只需将电池数据上传至云端，即可快速获取电池的阻抗信息，实时监测电池健康状态，极大地缩短了检测时间，同时降低成本。

以电动汽车为例，汽车中集成了大量电池单元，任何一个电池的故障都可能对整个电池组造成严重影响。该技术将有效降低了电化学阻抗技术在工程应用中的门槛，从而提升电池风险的预警能力，保障电动汽车的整体安全性能。

此前，唐晓鹏还凭借在锂离子电池领域的另一项研究成果，在第25届IEEE中国系统仿真技术及其应用学术会议（CCSSTA 2024）上获“最佳论文奖”。该研究通过半监督学习方法筛选退役电池，为提高退役电池的重用率提供新思路。

唐晓鹏（右二）获第25届IEEE中国系统仿真技术及其应用学术会议颁发的“最佳论文奖”。

南方+记者 钱明雅