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工作条件的不确定性，准确预测电池寿命具有挑战性。

近日，陈忠伟教授和副教授。中国科学院大连化学物理研究所毛志宇研究员与西安交通大学冯江涛教授合作，设计了一种新颖的深度学习模型——具有高效自学习能力的双流视觉变换器。注意力机制（DS-ViT-ESA），预测目标电池的当前循环寿命（CCL）和剩余使用寿命（RUL）。该研究发表于IEEE 交通电气化汇刊。

研究人员开发了深度学习模型使用少量的充电周期数据。该模型采用具有双流框架的视觉变换器结构和高效的自注意力机制来捕获和集成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。仅用 15 个充电周期数据点，它就实现了 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时，该模型也能保持较低的预测误差，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。集成该算法的系统显着提高了精度。目前，电池数字大脑系统作为大规模商业储能和储能的核心能源管理系统。电动汽车，能够部署在云服务器和客户端嵌入式设备上。

“这电池寿命预测模型有效平衡了预测精度和计算成本，从而提高了电池数字大脑的应用价值寿命陈教授说：“我们计划利用模型蒸馏和剪枝等技术进一步优化模型，旨在增强系统的鲁棒性和资源利用率。”更多信息：

Yunpeng Liu 等人，基于少量充电周期的深度学习驱动的锂离子电池寿命预测，IEEE 交通电气化汇刊（2024）。DOI：10.1109/TTE.2024.3434553引文: