L'Institut de physique chimique de Dalian, l'Académie chinoise des sciences et d'autres ont développé un modèle d'apprentissage profond pour prédire la durée de vie des batteries.

Ce site Web a rapporté le 3 septembre qu'une prévision précise de la durée de vie des batteries au lithium est cruciale pour le fonctionnement normal des équipements électriques. Cependant, la prévision précise de la durée de vie de la batterie se heurte à des difficultés en raison de la non-linéarité du processus de dégradation de la capacité de la batterie et de l’incertitude des conditions de fonctionnement. L'Académie chinoise des sciences a déclaré que l'équipe du chercheur Chen Zhongwei et du chercheur associé Mao Zhiyu du département de recherche sur les batteries et les systèmes électriques du Laboratoire national clé de conversion catalytique énergétique de l'Institut de physique chimique de Dalian, ainsi que le professeur Feng Jiangtao de Xi 'une université de Jiaotong, ont fait des progrès dans la recherche sur la gestion de la santé des batteries. Les résultats de recherche pertinents ont été publiés dans le Journal of Transportation Electrochemistry de l'Institute of Electrical and Electronics Engineers (DOI : 10.1109/TTE.2024.3434553 joint à ce site).

1. Selon les rapports, l'équipe de recherche a développé un nouveau modèle d'apprentissage profond, qui surmonte la dépendance de la méthode traditionnelle sur une grande quantité de données de test de charge, fournit de nouvelles idées pour la durée de vie de la batterie en temps réel. estimation et réalise une évaluation de bout en bout de la durée de vie de la batterie au lithium.

2. Ce modèle fait partie du modèle de base du cerveau numérique de batterie de première génération PBSRD Digit développé par l'équipe, fournissant une solution de gestion intelligente de la batterie.

   

   1. Modèle de prédiction de la durée de vie de la batterie basé sur le deep learning

Cette étude propose un modèle de deep learning basé sur une petite quantité de données de cycle de charge. . Ce modèle capture et fusionne des fonctionnalités cachées à plusieurs échelles de temps grâce à la structure Vision Transformer et au mécanisme d'auto-attention efficace pour obtenir une prédiction précise de la durée de vie actuelle du cycle et de la durée de vie restante de la batterie.

2. Précision de prévision et capacité de généralisation

En même temps, le modèle combine la durée de vie restante et les erreurs de prédiction de durée de vie actuelle sont contrôlées dans les limites de 5,40% et 4,64% respectivement. De plus, le modèle est toujours capable de maintenir de faibles erreurs de prédiction face à des stratégies de facturation qui n'apparaissent pas dans l'ensemble de données d'entraînement, démontrant sa capacité de généralisation zéro-courte.

3. Intégration avec Battery Digital Brain

Ce modèle de prédiction de la durée de vie de la batterie est la première génération de Battery Digital BrainPBSRD Digit composant. Les chercheurs ont encore amélioré la précision du système en intégrant le modèle ci-dessus dans le système.

4. Déploiement et application

Actuellement, le système cérébral numérique de la batterie sert de noyau de gestion de l'énergie pour le stockage d'énergie industriel et commercial à grande échelle et véhicules électriques et peut être déployé sur des serveurs cloud et des appareils clients intégrés.

5. Optimisation du modèle

Ce modèle équilibre la précision des prédictions et le coût de calcul, améliorant ainsi le cerveau numérique de la batterie pour l'application d'estimation de la durée de vie valeur. À l'avenir, l'équipe optimisera davantage le modèle grâce à la distillation, à l'élagage et à d'autres méthodes visant à améliorer la robustesse du système et l'utilisation des ressources.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!