资讯中心

大连化学物理研究所开发出新型深度学习模型应用于电池寿命预测

2024/8/22 8:44:02    17614
来源:大连化学物理研究所
摘要:锂电池寿命的准确预测对于电气设备的正常运行至关重要。然而,由于电池容量退化过程的非线性和运行条件的不确定性,电池寿命的准确预测面临着挑战。
  【仪表网 研发快讯】近日,大连化学物理研究所能源催化转化全国重点实验室动力电池与系统研究部(DNL29)陈忠伟院士、毛治宇副研究员团队,联合西安交通大学冯江涛教授,在电池健康管理领域取得新进展。合作团队开发了一种新型的深度学习模型,有效地解决了传统方法对大量充电测试数据的依赖,为电池实时寿命预估提供了新的思路,实现了锂电池寿命的端到端评估。同时,该模型也作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分,为电池智能管理提供了解决方案。
 
  锂电池寿命的准确预测对于电气设备的正常运行至关重要。然而,由于电池容量退化过程的非线性和运行条件的不确定性,电池寿命的准确预测面临着挑战。
 
  本研究提出了一种基于少量充电周期数据的深度学习模型,该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制,捕捉并融合多时间尺度隐藏特征,实现对电池当前循环寿命(CCL)和剩余使用寿命(RUL)的准确预测。该模型在仅使用15个充电周期数据的情况下,能够将RUL和CLL的预测误差分别控制在5.40%和4.64%以内。此外,在面对训练数据集中未出现的充电策略时,仍能保持较低的预测误差,证明了其zero-short泛化能力。
 
  该电池寿命预测模型也是第一代电池数字大脑PBSRD Digit重要组成部分,通过将上述模型整合到该系统中,进一步提高了系统的准确性。目前,该电池数字大脑系统作为大规模/工商业储能和电动汽车的能量管理核心,可部署于云端服务器和客户端嵌入式设备。
 
  本团队研发的寿命预测模型,有效平衡了预测准确率和计算成本,提高了电池数字大脑对于寿命预估的应用价值。未来团队也将会通过模型蒸馏、剪枝等方法进一步优化模型,从而提高系统的鲁棒性和资源利用率。
 
  相关研究成果以“Deep learning powered lifetime prediction for lithium-ion batteries based on small amounts of charging cycles”为题,于近日发表在《电气电子工程师学会交通电气化学报》(IEEE Transactions on Transportation Electrification)上。该工作的第一作者是我所DNL29博士后刘云鹏,该工作得到国家自然科学基金、中国科学院B类先导专项“能源电催化的动态解析与智能设计”、中央高校基本科研业务费专项科研基金等项目的资助。(文/图 刘云鹏)

全部评论

上一篇:新疆理化所在太阳能海水淡化材料领域获新进展

下一篇:我国电子束辐照技术创新应用进入融合发展新阶段

相关新闻
热门视频
相关产品
写评论...