UNIST开发出电池结构不同也无需重新训练的AI诊断技术
有望提升电动车电池和ESS管理效率,发表于《Chemical Engineering Journal》
从外观看似完好无损,电池本身却在老化,有时甚至会变得危险。
一种无论电池如何连接都能精确诊断其健康状态的人工智能技术已经问世。
为满足快速增长的能源储存系统和电动汽车需求,各种容量的电池包纷纷上市。但在既有技术条件下,只要电池的连接形式发生变化,就必须重新采集数据并再次训练模型,过程十分繁琐。新技术有望解决这一问题。
蔚山科学技术院能源化学工程系的 Kim Donghyuk、Choi Yunseok 教授团队4日表示,他们开发出一种即使电池连接结构发生变化,也无需额外再训练即可适用的电池健康诊断人工智能模型。
研究团队成员(自左起)为 Kim Donghyeok 教授、Choi Yunseok 教授、Park Seojeong 博士、Kim Yunseo 研究员。UNIST 提供
View original image电池健康状态(State of Health)是指当前可用容量相对于初始容量的比例,是诊断电池剩余寿命以及爆炸风险等安全性的指标。利用人工智能技术,无需人工逐一推导复杂公式,只需依靠电池运行时测得的电压、电流、温度等数值,就能诊断其健康状态。
该人工智能模型会在从电池充放电数据中提取的62种数据模式中,自主筛选出5个“健康指标”(Health Indicators):这些指标在不受电池串联、并联连接方式影响的同时,又能对剩余寿命预测作出敏感响应。得益于此,即便只用单体电芯(Cell)数据进行训练,也能准确诊断由多个电芯连接而成的模块的健康状态。
实验结果显示,即使仅用单体电芯数据进行训练,研究团队开发的人工智能模型也能准确预测由7个电芯并联连接而成的模块寿命。与既有人工智能模型无法适应电池构成变化、仅能达到 6.31×10⁻² 均方根误差(RMSE)的情况不同,新开发模型的预测误差降至原来的三分之一水平,即 1.90×10⁻²。
以往的人工智能诊断技术即使建立了针对单个电芯的诊断模型,也无法直接应用于由数十、数百个电芯连接而成的模块或电池包。这是因为电池在并联或串联连接时,内部阻抗会发生变化或出现电压不均衡,导致数据模式出现细微差异。
研究团队表示,该模型是基于 Transformer 的注意力(Attention)算法构建的。Transformer 是 Chat GPT、Gemini 等的基础人工智能模型,得益于“注意力算法”,它能够在海量数据中只聚焦于真正必要的信息。新开发的模型利用注意力算法,将在预测电池寿命时具有高重要度、而在区分电池连接形态时重要度较低的数据模式,作为交集加以筛选。
Kim Donghyuk 教授表示:“我们通过设计,让人工智能只自动挑选出与电池连接方式无关的‘真实健康信号’,从而找到用一个人工智能模型诊断多种电池系统的方案”,“今后有望扩展应用于电动汽车电池管理系统、大规模能源储存装置、退役电池性能评估及再利用等领域”。
本次研究成果已于1月15日在线发表在化学工程领域国际学术期刊《Chemical Engineering Journal》上,并得到了韩国研究财团的资助。
版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。