準確預測鋰電池壽命對於電氣設備的正常運作至關重要。然而，由於容量衰減的非線性和工作條件的不確定性，準確預測電池壽命具有挑戰性。

近日，陳忠偉教授和副教授。中國科學院大連化學物理研究所毛志宇研究員與西安交通大學馮江濤教授合作，設計了一種新穎的深度學習模式－具有高效自學習能力的雙流視覺變換器。 ，預測目標電池的當前循環壽命（CCL）和剩餘使用壽命（RUL）。該研究發表於IEEE 交通電氣化彙刊。

研究人員開發了深度學習模型使用少量的充電週期資料。該模型採用具有雙流框架的視覺變換器結構和高效的自註意力機制來捕捉和整合跨多個時間尺度的隱藏特徵。

該模型能夠準確預測電池的 CCL 和 RUL。僅用 15 個充電週期資料點，它就實現了 RUL 和 CLL 預測誤差分別僅 5.40% 和 4.64%。此外，即使在訓練資料集中未包含的充電策略上進行測試時，模型也能保持較低的預測誤差，證明了其零樣本泛化能力。

此電池壽命預測模型也是第一代電池數位大腦（PBSRD Digit）的重要組成部分。整合該演算法的系統顯著提高了精度。目前，電池數位大腦系統作為大規模商業儲能和儲能的核心能源管理系統。電動車，能夠部署在雲端伺服器和客戶端嵌入式設備。

「這電池壽命預測模型有效地平衡了預測精度和計算成本，從而提高了電池數位大腦的應用價值壽命陳教授說：“我們計劃利用模型蒸餾和剪枝等技術進一步優化模型，旨在增強系統的穩健性和資源利用率。”更多資訊：

Yunpeng Liu 等人，基於少量充電週期的深度學習驅動的鋰離子電池壽命預測，IEEE 交通電氣化彙刊（2024）。DOI：10.1109/TTE.2024.3434553引文: