我所開發出新型深度學習模型應用于電池壽命預測

近日，我所能源催化轉化全國重點實驗室動力電池與系統研究部（DNL29）陳忠偉院士、毛治宇副研究員團隊，聯合西安交通大學馮江濤教授，在電池健康管理領域取得新進展。合作團隊開發了一種新型的深度學習模型，有效地解決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的思路，實現了鋰電池壽命的端到端評估。同時，該模型也作為團隊開發的第一代電池數字大腦PBSRD Digit核心模型的重要組成部分，為電池智能管理提供了解決方案。

鋰電池壽命的準確預測對于電氣設備的正常運行至關重要。然而，由于電池容量退化過程的非線性和運行條件的不確定性，電池壽命的準確預測面臨著挑戰。

本研究提出了一種基于少量充電周期數據的深度學習模型，該模型通過帶有雙流框架的Vision Transformer結構和高效自注意力機制，捕捉并融合多時間尺度隱藏特征，實現對電池當前循環壽命（CCL）和剩余使用壽命（RUL）的準確預測。該模型在僅使用15個充電周期數據的情況下，能夠將RUL和CLL的預測誤差分別控制在5.40%和4.64%以內。此外，在面對訓練數據集中未出現的充電策略時，仍能保持較低的預測誤差，證明了其zero-short泛化能力。

該電池壽命預測模型也是第一代電池數字大腦PBSRD Digit重要組成部分，通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。目前，該電池數字大腦系統作為大規模/工商業儲能和電動汽車的能量管理核心，可部署于云端服務器和客戶端嵌入式設備。

本團隊研發的壽命預測模型，有效平衡了預測準確率和計算成本，提高了電池數字大腦對于壽命預估的應用價值。未來團隊也將會通過模型蒸餾、剪枝等方法進一步優化模型，從而提高系統的魯棒性和資源利用率。

相關研究成果以“Deep learning powered lifetime prediction for lithium-ion batteries based on small amounts of charging cycles”為題，于近日發表在《電氣電子工程師學會交通電氣化學報》（IEEE Transactions on Transportation Electrification）上。該工作的第一作者是我所DNL29博士后劉云鵬，該工作得到國家自然科學基金、中國科學院B類先導專項“能源電催化的動態解析與智能設計”、中央高校基本科研業務費專項科研基金等項目的資助。（文/圖 劉云鵬）

文章鏈接：https://ieeexplore.ieee.org/document/10613834?