首頁資訊大連化物所等開發(fā)出用于電池壽命預(yù)測(cè)的深度學(xué)習(xí)模型

大連化物所等開發(fā)出用于電池壽命預(yù)測(cè)的深度學(xué)習(xí)模型

來源：泰然健康網(wǎng) 時(shí)間：2025年06月09日 15:33

近日，中國科學(xué)院大連化學(xué)物理研究所能源催化轉(zhuǎn)化全國重點(diǎn)實(shí)驗(yàn)室動(dòng)力電池與系統(tǒng)研究部研究員陳忠偉、副研究員毛治宇團(tuán)隊(duì)，聯(lián)合西安交通大學(xué)教授馮江濤，在電池健康管理研究方面取得進(jìn)展。該團(tuán)隊(duì)開發(fā)了新型的深度學(xué)習(xí)模型，克服了傳統(tǒng)方法對(duì)大量充電測(cè)試數(shù)據(jù)的依賴，為電池實(shí)時(shí)壽命預(yù)估提供了新思路，實(shí)現(xiàn)了鋰電池壽命的端到端評(píng)估。該模型作為團(tuán)隊(duì)開發(fā)的第一代電池?cái)?shù)字大腦PBSRD Digit核心模型的組成部分，為電池智能管理提供了解決方案。

鋰電池壽命的準(zhǔn)確預(yù)測(cè)對(duì)于電氣設(shè)備的正常運(yùn)行至關(guān)重要。然而，由于電池容量退化過程的非線性和運(yùn)行條件的不確定性，電池壽命的準(zhǔn)確預(yù)測(cè)面臨著挑戰(zhàn)。

該研究提出了基于少量充電周期數(shù)據(jù)的深度學(xué)習(xí)模型。這一模型通過帶有雙流框架的Vision Transformer結(jié)構(gòu)和高效自注意力機(jī)制，捕捉并融合多時(shí)間尺度隱藏特征，實(shí)現(xiàn)對(duì)電池當(dāng)前循環(huán)壽命和剩余使用壽命的準(zhǔn)確預(yù)測(cè)。同時(shí)，該模型在使用15個(gè)充電周期數(shù)據(jù)的情況下，將剩余使用壽命和當(dāng)前循環(huán)壽命的預(yù)測(cè)誤差分別控制在5.40%和4.64%以內(nèi)。此外，在面對(duì)訓(xùn)練數(shù)據(jù)集未出現(xiàn)的充電策略時(shí)，該模型仍能夠保持較低的預(yù)測(cè)誤差，證明了其zero-short泛化能力。

這一電池壽命預(yù)測(cè)模型是第一代電池?cái)?shù)字大腦PBSRD Digit的組成部分。研究人員通過將上述模型整合到該系統(tǒng)中，進(jìn)一步提高了系統(tǒng)的準(zhǔn)確性。目前，該電池?cái)?shù)字大腦系統(tǒng)作為大規(guī)模工商業(yè)儲(chǔ)能和電動(dòng)汽車的能量管理核心，可部署于云端服務(wù)器和客戶端嵌入式設(shè)備。

這一模型平衡了預(yù)測(cè)準(zhǔn)確率和計(jì)算成本，提高了電池?cái)?shù)字大腦對(duì)于壽命預(yù)估的應(yīng)用價(jià)值。未來，該團(tuán)隊(duì)將通過模型蒸餾、剪枝等方法進(jìn)一步優(yōu)化模型，從而提高系統(tǒng)的魯棒性和資源利用率。

相關(guān)研究成果以Deep learning powered lifetime prediction for lithium-ion batteries based on small amounts of charging cycles為題，發(fā)表在《電氣電子工程師學(xué)會(huì)交通電氣化學(xué)報(bào)》（IEEE Transactions on Transportation Electrification）上。研究工作得到國家自然科學(xué)基金和中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)（B類）等的支持。

論文鏈接