리튬 배터리 수명을 정확하게 예측하는 것은 전기 장비가 제대로 작동하는 데 매우 중요합니다.그러나 용량 저하의 비선형성과 작동 조건의 불확실성으로 인해 배터리 수명을 정확하게 예측하는 것은 어렵습니다.

최근에는 Chen Zhongwei 교수와 Assoc.중국과학원 다롄 화학물리연구소의 Mao Zhiyu 교수는 Xi'an Jiaotong University의 Feng Jiangtao 교수와 협력하여 새로운 딥 러닝 모델, 즉 효율적인 자체 제어 기능을 갖춘 듀얼 스트림 비전 변환기를 설계했습니다.주의 메커니즘(DS-ViT-ESA)은 대상 배터리의 현재 사이클 수명(CCL)과 잔여 유효 수명(RUL)을 예측합니다.이 연구는교통 전기화에 관한 IEEE 거래.

연구진은 다음을 개발했습니다.딥러닝 모델소량의 충전주기 데이터를 사용합니다.이 모델은 듀얼 스트림 프레임워크와 효율적인 self-attention 메커니즘을 갖춘 비전 변환기 구조를 사용하여 여러 시간 규모에 걸쳐 숨겨진 기능을 캡처하고 통합했습니다.

이 모델은 배터리의 CCL과 RUL을 정확하게 예측할 수 있었습니다.15개의 충전 주기 데이터 포인트만으로 각각 5.40%와 4.64%의 RUL 및 CLL 예측 오류를 달성했습니다.또한 이 모델은 훈련 데이터 세트에 포함되지 않은 충전 전략에 대한 테스트에서도 낮은 예측 오류를 유지하여 제로샷 일반화 기능을 입증했습니다.

이 배터리 수명 예측 모델은 PBSRD Digit라고 불리는 1세대 배터리 디지털 브레인의 중요한 구성 요소이기도 했습니다.이 알고리즘과 통합된 시스템은 정확도를 크게 향상시켰습니다.현재 배터리 디지털 브레인(Battery Digital Brain) 시스템은 대규모 상업용 저장장치 및전기 자동차, 클라우드 서버와 클라이언트 측 임베디드 장치 모두에 배포할 수 있는 기능을 갖추고 있습니다.

"그만큼배터리수명 예측 모델은 예측 정확도와 계산 비용의 균형을 효과적으로 유지함으로써 배터리 디지털 브레인의 응용 가치를 높입니다.수명Chen 교수는 "우리는 시스템의 견고성과 자원 활용도를 향상시키는 것을 목표로 모델 증류 및 가지치기와 같은 기술을 사용하여 모델을 더욱 최적화할 계획입니다."라고 말했습니다.추가 정보:

Yunpeng Liu 외, 소량의 충전 주기를 기반으로 한 리튬 이온 배터리의 딥 러닝 기반 수명 예측,교통 전기화에 관한 IEEE 거래(2024).DOI: 10.1109/TTE.2024.3434553소환: