La predicción precisa de la vida útil de la batería de litio es crucial para el correcto funcionamiento de los equipos eléctricos.Sin embargo, predecir con precisión la vida útil de la batería es un desafío debido a la no linealidad de la degradación de la capacidad y la incertidumbre de las condiciones operativas.

Recientemente, el Prof. Chen Zhongwei y Assoc.El Prof. Mao Zhiyu del Instituto Dalian de Física Química de la Academia de Ciencias de China, en colaboración con el Prof. Feng Jiangtao de la Universidad Xi'an Jiaotong, diseñó un novedoso modelo de aprendizaje profundo, el transformador de visión de doble flujo con el eficiente autocontrol.Mecanismo de atención (DS-ViT-ESA), para predecir el ciclo de vida actual (CCL) y la vida útil restante (RUL) de la batería objetivo.El estudio fue publicado enTransacciones IEEE sobre electrificación del transporte.

Los investigadores desarrollaron elmodelo de aprendizaje profundoutilizando una pequeña cantidad de datos del ciclo de carga.Este modelo empleó una estructura transformadora de visión con un marco de flujo dual y un mecanismo de autoatención eficiente para capturar e integrar características ocultas en múltiples escalas de tiempo.

El modelo pudo predecir con precisión el CCL y RUL de la batería.Con solo 15 puntos de datos del ciclo de carga, logró errores de predicción de RUL y CLL de solo 5,40 % y 4,64 %, respectivamente.Además, el modelo mantuvo errores de predicción bajos incluso cuando se probó con estrategias de carga no incluidas en el conjunto de datos de entrenamiento, lo que demuestra su capacidad de generalización cero.

Este modelo de predicción de la vida útil de la batería también fue un componente crucial del Battery Digital Brain de primera generación, llamado PBSRD Digit.El sistema integrado con este algoritmo ha mejorado significativamente la precisión.Actualmente, el sistema Battery Digital Brain sirve como sistema central de gestión de energía para almacenamiento comercial a gran escala yvehículos eléctricos, con la capacidad de implementarse tanto en servidores en la nube como en dispositivos integrados del lado del cliente.

"ElbateríaEl modelo de predicción de la vida útil equilibra eficazmente la precisión de la predicción con el costo computacional, aumentando así el valor de aplicación del Battery Digital Brain paraesperanza de vidaestimación", dijo el profesor Chen. "Planeamos optimizar aún más el modelo utilizando técnicas como la destilación y la poda del modelo, con el objetivo de mejorar la robustez y la utilización de recursos del sistema".Más información:

Yunpeng Liu et al, Predicción de la vida útil impulsada por el aprendizaje profundo para baterías de iones de litio basada en pequeñas cantidades de ciclos de carga,Transacciones IEEE sobre electrificación del transporte(2024).DOI: 10.1109/TTE.2024.3434553Citación: