为预测电池寿命而开发的新型深度学习模型
准确预测锂电池寿命对于电气设备的正常运行至关重要。然而，由于容量衰减的非线性和操作条件的不确定性，准确预测电池寿命具有挑战性。近日，中国科学院大连化学物理研究所陈忠伟研究员、毛志宇副研究员与西安交通大学冯江涛教授合作，设计了一种新型深度学习模型——具有高效自注意力机制的双流视觉Transformer（DS-ViT-ESA），用于预测目标电池的当前循环寿命（CCL）和剩余使用寿命（RUL）。相关研究发表在IEEE Transactions on Transportation Electrification上。
研究人员利用少量充电周期数据开发了深度学习模型，该模型采用双流框架的视觉变换器结构和高效的自注意力机制来捕捉和整合跨多个时间尺度的隐藏特征。
该模型能够准确预测电池的 CCL 和 RUL。仅使用 15 个充电周期数据点，该模型的 RUL 和 CLL 预测误差分别仅为 5.40% 和 4.64%。此外，即使在训练数据集中未包含的充电策略上进行测试，该模型也能保持较低的预测误差，从而证明了其零样本泛化能力。
该电池寿命预测模型也是第一代电池数字大脑PBSRD Digit的重要组成部分，集成该算法的系统准确率大幅提升。目前，电池数字大脑系统作为大型商用储能和电动汽车的核心能源管理系统，既可以部署在云服务器，也可以部署在客户端嵌入式设备上。
陈教授表示： “电池寿命预测模型有效地平衡了预测精度和计算成本，从而提高了电池数字大脑在寿命估算方面的应用价值。”“我们计划利用模型蒸馏和修剪等技术进一步优化模型，以提高系统的稳健性和资源利用率。”
页:
[1]