人工智能大模型“拿捏”電池壽命

深度學(xué)習技術(shù)應用于電池壽命預測。受訪(fǎng)者供圖

從清晨喚醒我們的鬧鐘，到隨身攜帶的手機，再到電動(dòng)汽車(chē)、無(wú)人機等新興產(chǎn)品，無(wú)一不依賴(lài)于電池提供的穩定電力。

然而，隨著(zhù)電池使用時(shí)間的增長(cháng)，其容量會(huì )逐漸衰減，造成供電時(shí)間縮短，影響設備的正常功能。如果能及時(shí)檢測電池壽命，用戶(hù)就能在電池性能明顯下降前采取相應措施，從而避免因電池問(wèn)題導致的設備故障或數據丟失，延長(cháng)電池整體使用壽命。

近日，中國科學(xué)院大連化學(xué)物理研究所(以下簡(jiǎn)稱(chēng)大連化物所)研究員陳忠偉、副研究員毛治宇團隊，聯(lián)合西安交通大學(xué)教授馮江濤，在電池健康管理領(lǐng)域取得新進(jìn)展。他們開(kāi)發(fā)了一種新型的深度學(xué)習模型，有效解決了傳統方法對大量充電測試數據的依賴(lài)問(wèn)題，為電池實(shí)時(shí)壽命預估提供了新思路，實(shí)現了鋰電池壽命的端到端評估。同時(shí)，該模型作為團隊開(kāi)發(fā)的第一代電池數字大腦PBSRD Digit核心模型的重要組成部分，為電池智能管理提供了解決方案。相關(guān)成果發(fā)表于《電氣電子工程師學(xué)會(huì )交通電氣化學(xué)報》。

難以預測的電池壽命

電池的循環(huán)壽命是指電池在規定的充放電條件下，經(jīng)歷多次完全充放電循環(huán)后，容量或性能下降到初始值的某一規定百分比所能經(jīng)歷的充放電次數。通常以電池容量衰減到初始值的80%作為循環(huán)壽命的“終點(diǎn)”。

假如一部手機的電池循環(huán)壽命是500次，這就意味著(zhù)，如果每天把手機電量完全用完再充滿(mǎn)，那么大約500天后，你就會(huì )感覺(jué)手機電量沒(méi)有以前那么耐用了，因為電池的循環(huán)壽命到了。

由于電池容量退化是一個(gè)受多種因素影響的動(dòng)態(tài)過(guò)程，包括充放電循環(huán)次數、充放電深度、環(huán)境溫度、電池老化等，這些因素相互作用，使得電池壽命預測變得尤為復雜。

此前，電池壽命預測都在實(shí)驗室內進(jìn)行。比如讓電池加速循環(huán)，在高溫45℃下高倍率運行，以此推斷它在實(shí)際應用場(chǎng)景中的使用壽命。但是，不同的應用場(chǎng)景和運行條件會(huì )對鋰電池壽命產(chǎn)生顯著(zhù)影響，以致無(wú)法實(shí)現對電池的精準預測。

目前，很多團隊正積極投身于人工智能領(lǐng)域的探索。“遺憾的是，當前的人工智能技術(shù)及其學(xué)習深度，以及有限的人力資源，不能完全滿(mǎn)足對電池壽命進(jìn)行精確檢測的需求。”毛治宇說(shuō)，“基于這一現狀，我們萌生了一個(gè)設想——設計一個(gè)能夠直接且高效檢測電池壽命的創(chuàng )新模型。這一模型致力于突破現有技術(shù)的局限，為電池健康管理提供更為可靠和智能的解決方案。”

人工智能模型讓電池“透視”

2017年，毛治宇在加拿大滑鐵盧大學(xué)讀博士，陳忠偉是他的導師。當時(shí)，人工智能剛剛起步，他們想嘗試一下，用它能否解決電池壽命檢測這一難題。

“實(shí)際上，電池包括正極、負極、隔膜、電極液等，是一個(gè)復雜的電化學(xué)系統。但是，那時(shí)候的模型還停留在簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò )學(xué)習，人工智能檢測剛剛開(kāi)始，我們就用自己的電池嘗試測試，并納入此前未被考慮到的電池老化問(wèn)題，最終檢測出來(lái)的電池壽命與實(shí)際壽命相比，精度有了很大提高。”毛治宇回憶當初第一次嘗試時(shí)說(shuō)。

這次初步嘗試開(kāi)啟了毛治宇在人工智能應用于電池智能管理方向的科研之路。后來(lái)，二人先后歸國工作，毛治宇又加入了陳忠偉的團隊。

陳忠偉團隊有一個(gè)方向是智能電池，包括人工智能應用于科學(xué)、人工智能應用于工程，毛治宇想在這里圓夢(mèng)。而目前科技領(lǐng)域已有多個(gè)人工智能的計算模型，他們“借風(fēng)使船”結合多個(gè)模型，實(shí)現了優(yōu)勢互補。

“我們利用了Vision Transformer結構，它可以進(jìn)行并行計算，同時(shí)處理多個(gè)任務(wù)。”論文第一作者、在大連化物所從事博士后研究的劉云鵬介紹，“還有一個(gè)空間流加時(shí)間流的雙流框架，可提取多維時(shí)間尺度信息，同時(shí)借助高效自注意力機制減少計算復雜度。我們根據不同的優(yōu)勢將這兩種算法進(jìn)行了結合。”

這項研究提出了一種基于少量充電周期數據的深度學(xué)習模型，該模型通過(guò)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(shí)間尺度隱藏特征，實(shí)現對電池當前循環(huán)壽命和剩余使用壽命的準確預測。

該模型在僅使用15個(gè)充電周期數據的情況下，能夠將上述兩種預測誤差分別控制在5.40%和4.64%以?xún)?。并且，在面對訓練數據集內未出現的充電策略時(shí)，仍能保持較低的預測誤差，證明了其zero-shot泛化能力。

打造“電池數字大腦”

同時(shí)，該電池壽命預測模型是第一代電池數字大腦PBSRD Digit的重要組成部分。通過(guò)將模型整合到該系統中，進(jìn)一步提高了系統的準確性。目前，該電池數字大腦系統作為大規模工商業(yè)儲能和電動(dòng)汽車(chē)的能量管理核心，可部署于云端服務(wù)器和客戶(hù)端嵌入式設備。

“現在新能源特別是儲能是熱點(diǎn)話(huà)題，很多廠(chǎng)家都想開(kāi)發(fā)全生命周期的電池智能管理系統。我們希望建設一個(gè)完整的電池數字大腦，能夠更好地管理電池，像大腦一樣控制電池的各個(gè)方面，讓電池效率更高、壽命更長(cháng)。這是我們未來(lái)的一個(gè)智能化發(fā)展方向。”毛治宇介紹說(shuō)。

事實(shí)上，陳忠偉、毛治宇、劉云鵬正好是一個(gè)團隊內的“師徒三代”。經(jīng)過(guò)多年發(fā)展，團隊在電化學(xué)、電催化、人工智能方面都有著(zhù)深厚的積累。他們的目標是打造從基礎研究到關(guān)鍵技術(shù)開(kāi)發(fā)再到產(chǎn)業(yè)應用示范的全鏈條模式，以應用為導向真正走向產(chǎn)業(yè)化，乃至對整個(gè)領(lǐng)域產(chǎn)生影響。

150余人的團隊中，會(huì )聚了超過(guò)50位經(jīng)驗豐富的工程師。他們具有不同的技術(shù)背景，不乏在大數據架構與算法領(lǐng)域深耕多年的專(zhuān)家，擅長(cháng)將前沿的算法研究轉化為高效、穩定的系統架構，確保技術(shù)成果能夠順利落地。

正是這種“研究+開(kāi)發(fā)”深度融合的模式，使得團隊能夠跨越傳統界限，促進(jìn)不同領(lǐng)域知識與技術(shù)的交叉融合。工程師們不僅能獨立承擔項目研發(fā)的重任，還能與科研人員緊密合作，將最新研究成果迅速轉化為產(chǎn)品功能，從而加速技術(shù)創(chuàng )新與產(chǎn)業(yè)升級的步伐。

通過(guò)這種高效的協(xié)作機制，團隊不僅在電池壽命檢測等特定領(lǐng)域取得突破，還能靈活應對各種復雜挑戰，推動(dòng)多個(gè)項目并行發(fā)展，最終實(shí)現多元化、全方位的技術(shù)創(chuàng )新目標。

“未來(lái)，我們計劃利用模型提煉等技術(shù)進(jìn)一步優(yōu)化模型，以提高資源利用率，打造真正的數字大腦。”陳忠偉說(shuō)。

相關(guān)論文信息：

https://doi.org/10.1109/TTE.2024.3434553