9 月 3 日消息，鋰電池壽命的準確預測對于電氣設備的正常運行至關重要。然而，由于電池容量退化過程的非線性和運行條件的不確定性，電池壽命的準確預測面臨著挑戰(zhàn)。

中國科學院表示，大連化學物理研究所能源催化轉化全國重點實驗室動力電池與系統(tǒng)研究部研究員陳忠偉、副研究員毛治宇團隊，聯(lián)合西安交通大學教授馮江濤在電池健康管理研究方面取得進展。相關研究成果已經(jīng)發(fā)表在《電氣電子工程師學會交通電氣化學報》上（IT之家附 DOI:10.1109/TTE.2024.3434553）。

據(jù)介紹，研究團隊開發(fā)出了新型的深度學習模型，克服了傳統(tǒng)方法對大量充電測試數(shù)據(jù)的依賴，為電池實時壽命預估提供了新思路，實現(xiàn)了鋰電池壽命的端到端評估。該模型作為團隊開發(fā)的第一代電池數(shù)字大腦 PBSRD Digit 核心模型的組成部分，為電池智能管理提供了解決方案。

該研究提出了基于少量充電周期數(shù)據(jù)的深度學習模型。這一模型通過帶有雙流框架的 Vision Transformer 結構和高效自注意力機制，捕捉并融合多時間尺度隱藏特征，實現(xiàn)對電池當前循環(huán)壽命和剩余使用壽命的準確預測。

同時，該模型在使用 15 個充電周期數(shù)據(jù)的情況下，將剩余使用壽命和當前循環(huán)壽命的預測誤差分別控制在 5.40% 和 4.64% 以內。

此外，在面對訓練數(shù)據(jù)集未出現(xiàn)的充電策略時，該模型仍能夠保持較低的預測誤差，證明了其 zero-short 泛化能力。

這一電池壽命預測模型是第一代電池數(shù)字大腦 PBSRD Digit 的組成部分。研究人員通過將上述模型整合到該系統(tǒng)中，進一步提高了系統(tǒng)的準確性。

目前，該電池數(shù)字大腦系統(tǒng)作為大規(guī)模工商業(yè)儲能和電動汽車的能量管理核心，可部署于云端服務器和客戶端嵌入式設備。

這一模型平衡了預測準確率和計算成本，提高了電池數(shù)字大腦對于壽命預估的應用價值。未來，該團隊將通過模型蒸餾、剪枝等方法進一步優(yōu)化模型，從而提高系統(tǒng)的魯棒性和資源利用率。