中國科學院大連化物所等開發出用於電池壽命預測的深度學習模型

本站 9 月 3 日消息，鋰電池壽命的準確預測對於電氣設備的正常運作至關重要。然而，由於電池容量退化過程的非線性和運作條件的不確定性，電池壽命的準確預測面臨挑戰。中國科學院表示，大連化學物理研究所能源催化轉化全國重點實驗室動力電池與系統研究部研究員陳忠偉、副研究員毛治宇團隊，聯合西安交通大學教授馮江濤在電池健康管理研究方面取得進展。相關研究成果已發表在《電氣電子工程師學會交通電氣化學報》（本站附 DOI:10.1109/TTE.2024.3434553）。

1. 據介紹，研究團隊開發出了新型的深度學習模型，克服了傳統方法對大量充電測試數據的依賴，為電池實時壽命預估提供了新思路，實現了鋰電池壽命的端到端評估。

2. 該模型作為團隊開發的第一代電池數位大腦 PBSRD Digit 核心模型的組成部分，為電池智慧管理提供了解決方案。

   

   1. 基於深度學習的電池壽命預測模型

研究提出了基於少量充電週期資料的深度學習模型。此模型透過 Vision Transformer 結構和高效自註意力機制，捕捉並融合多時間尺度隱藏特徵，實現對電池 當前循環壽命 和 剩餘使用壽命 的準確預測。

2. 預測精度和泛化能力

同時，模型在使用15 個充電週期資料的情況下，將剩餘使用壽命和目前循環壽命的預測誤差分別控制在5.40% 和4.64% 以內。此外，在面對訓練資料集未出現的充電策略時，該模型仍能夠保持較低的預測誤差，證明了其 zero-short 泛化能力。

3. 與電池數位大腦的整合

這電池壽命預測模型是第一代電池數位大腦PBSRD Digit 的組成部分。研究人員透過將上述模型整合到該系統中，進一步提高了系統的準確性。

4. 部署與應用

目前，該電池數位大腦系統作為大規模工商業儲能和電動車的能量管理核心，可部署於雲端伺服器和客戶端嵌入式設備。

5. 模型最佳化

這一模型平衡了預測準確率和計算成本，提高了電池數字大腦對於

壽命預估 的應用價值。未來，團隊將透過模型蒸餾、剪枝等方法進一步優化模型，從而提高系統的穩健性和資源利用率。

以上是中國科學院大連化物所等開發出用於電池壽命預測的深度學習模型的詳細內容。更多資訊請關注PHP中文網其他相關文章！