リチウム電池の寿命を正確に予測することは、電気機器が適切に機能するために非常に重要です。ただし、容量劣化の非線形性と動作条件の不確実性により、バッテリーの寿命を正確に予測することは困難です。
最近、Chen Zhongwei 教授と准教授が中国科学院大連化学物理研究所のMao Zhiyu教授は、西安交通大学のFeng Jiangtao教授と協力して、効率的な自己学習機能を備えたデュアルストリームビジョントランスフォーマーという新しいディープラーニングモデルを設計しました。アテンション メカニズム (DS-ViT-ESA) を使用して、ターゲット バッテリーの現在のサイクル寿命 (CCL) と残りの耐用年数 (RUL) を予測します。この研究は、輸送電化に関するIEEEトランザクション。
研究者らが開発したのは、深層学習モデル少量の充電サイクル データを使用します。このモデルでは、デュアル ストリーム フレームワークと効率的なセルフ アテンション メカニズムを備えたビジョン トランスフォーマー構造を採用し、複数の時間スケールにわたって隠れた特徴を捕捉して統合しました。
このモデルは、バッテリーの CCL と RUL を正確に予測できました。わずか 15 個の充電サイクル データ ポイントで、RUL と CLL の予測誤差はそれぞれわずか 5.40% と 4.64% に達しました。さらに、このモデルは、トレーニング データセットに含まれていない課金戦略でテストした場合でも、低い予測誤差を維持し、そのゼロショット汎化機能を実証しました。
このバッテリー寿命予測モデルは、PBSRD Digit と呼ばれる第一世代のバッテリー デジタル ブレインの重要なコンポーネントでもありました。このアルゴリズムを統合したシステムにより、精度が大幅に向上しました。現在、Battery Digital Brain システムは、大規模商用蓄電システムや商用蓄電システムの中核となるエネルギー管理システムとして機能しています。電気自動車、クラウド サーバーとクライアント側の組み込みデバイスの両方に展開できる機能を備えています。
「バッテリー寿命予測モデルは、予測精度と計算コストのバランスを効果的にとることができるため、バッテリーデジタルブレインの応用価値が高まります。寿命チェン教授は、「システムの堅牢性とリソース利用率の向上を目指し、モデルの蒸留や枝刈りなどの技術を使用してモデルをさらに最適化する予定です」と述べた。詳細情報:
Yunpeng Liu 他、ディープラーニングによる少量の充電サイクルに基づくリチウムイオン電池の寿命予測、輸送電化に関するIEEEトランザクション(2024年)。DOI: 10.1109/TTE.2024.3434553引用:
バッテリー寿命予測のための新しいディープラーニングモデルを開発 (2024年9月12日)2024 年 9 月 12 日に取得https://techxplore.com/news/2024-09-deep-battery-lifespan.html より
この文書は著作権の対象です。個人的な研究や研究を目的とした公正な取引を除き、書面による許可なく一部を複製することができます。コンテンツは情報提供のみを目的として提供されています。