Das Dalian Institute of Chemical Physics, die Chinesische Akademie der Wissenschaften und andere haben ein Deep-Learning-Modell zur Vorhersage der Batterielebensdauer entwickelt

Diese Website berichtete am 3. September, dass eine genaue Vorhersage der Lebensdauer von Lithiumbatterien für den normalen Betrieb elektrischer Geräte von entscheidender Bedeutung ist. Eine genaue Vorhersage der Batterielebensdauer ist jedoch aufgrund der Nichtlinearität des Batteriekapazitätsabbauprozesses und der Unsicherheit der Betriebsbedingungen mit Herausforderungen verbunden. Die Chinesische Akademie der Wissenschaften erklärte, dass das Team des Forschers Chen Zhongwei und des assoziierten Forschers Mao Zhiyu von der Abteilung für Energiebatterie- und Systemforschung des National Key Laboratory of Energy Catalytic Conversion des Dalian Institute of Chemical Physics zusammen mit Professor Feng Jiangtao von Xi „an der Jiaotong-Universität haben Fortschritte in der Forschung zum Batteriegesundheitsmanagement gemacht.“ Relevante Forschungsergebnisse wurden im Journal of Transportation Electrochemistry des Institute of Electrical and Electronics Engineers veröffentlicht (DOI: 10.1109/TTE.2024.3434553 im Anhang dieser Website).

2. Dieses Modell dient als Komponente des vom Team entwickelten Batterie-Digital-Brain-PBSRD-Digit-Kernmodells der ersten Generation und bietet eine Lösung für intelligentes Batteriemanagement.

   

   1. Modell zur Vorhersage der Batterielebensdauer basierend auf Deep Learning

Diese Studie schlägt ein Deep-Learning-Modell vor, das auf einer kleinen Menge von Ladezyklusdaten basiert . Dieses Modell erfasst und verschmilzt versteckte Merkmale auf mehreren Zeitskalen durch die Vision Transformer-Struktur und den effizienten Selbstaufmerksamkeitsmechanismus, um eine genaue Vorhersage der aktuellen Zykluslebensdauer und der verbleibenden Lebensdauer der Batterie zu erreichen.

2. Vorhersagegenauigkeit und Generalisierungsfähigkeit

Gleichzeitig kombiniert das Modell die verbleibende Lebensdauer und die aktuellen Zykluslebensdauer-Vorhersagefehler werden kontrolliert innerhalb von 5,40 % bzw. 4,64 %. Darüber hinaus ist das Modell immer noch in der Lage, geringe Vorhersagefehler beizubehalten, wenn es mit Ladestrategien konfrontiert wird, die nicht im Trainingsdatensatz vorkommen, was seine Null-Kurz-Generalisierungsfähigkeit demonstriert.

3. Integration mit Battery Digital Brain

Dieses Modell zur Vorhersage der Batterielebensdauer ist die erste Generation von Battery Digital BrainPBSRD Digit Komponente. Die Forscher verbesserten die Genauigkeit des Systems weiter, indem sie das obige Modell in das System integrierten.

4. Bereitstellung und Anwendung

Derzeit dient das digitale Gehirnsystem der Batterie als Energiemanagementkern für groß angelegte industrielle und kommerzielle Energiespeicher und Elektrofahrzeuge und kann auf Cloud-Servern und eingebetteten Client-Geräten bereitgestellt werden.

5. Modelloptimierung

Dieses Modell gleicht Vorhersagegenauigkeit und Rechenkosten aus und verbessert das digitale Gehirn der Batterie für die Anwendung Lebensdauerschätzung Wert. In Zukunft wird das Team das Modell durch Modelldestillation, Bereinigung und andere Methoden weiter optimieren, um die Robustheit und Ressourcennutzung des Systems zu verbessern.

Das obige ist der detaillierte Inhalt vonDas Dalian Institute of Chemical Physics, die Chinesische Akademie der Wissenschaften und andere haben ein Deep-Learning-Modell zur Vorhersage der Batterielebensdauer entwickelt. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!