Forutsiing av batterilevetid er utfordrende på grunn av den ikke-lineære naturen til kapasitetsreduksjon og usikkerheten rundt driftsforhold. Ettersom prediksjon av batterilevetid er avgjørende for påliteligheten og sikkerheten til systemer som elektriske kjøretøy og energilagring, er det et økende behov for avanserte metoder som kan gi presise estimater av både nåværende sykluslevetid (CCL) og gjenværende brukstid (RUL).
Forskere fra Chinese Academy of Sciences, University of Waterloo, og Xi’an Jiaotong University har tatt tak i dette kritiske problemet. De har fokusert på å nøyaktig forutsi levetiden til litiumbatterier, noe som er essensielt for å sikre korrekt funksjon av elektrisk utstyr. Tradisjonelle tilnærminger til prediksjon av batterilevetid er ofte avhengige av store datasett og komplekse algoritmer. Disse er ikke bare beregningsmessig krevende, men mangler også fleksibilitet på tvers av ulike driftsforhold. Slike metoder har vanskelig for å generalisere når de anvendes på batterier med forskjellige ladingsstrategier, noe som gjør dem mindre praktiske for virkelige applikasjoner.
Forskerne har foreslått en ny dyp læringsmodell, Dual Stream-Vision Transformer with Efficient Self-Attention Mechanism (DS-ViT-ESA). Denne nye modellen tilbyr en innovativ tilnærming ved å bruke en visjonstransformatorarkitektur kombinert med en dual-stream-ramme og effektiv selvoppmerksomhet. Modellen er designet for å forutsi både CCL og RUL for litiumbatterier med minimale ladningssyklusdata, samtidig som den opprettholder høy nøyaktighet på tvers av ulike forhold, inkludert ukjente ladingsstrategier.
DS-ViT-ESA-modellen utnytter en visjonstransformatorstruktur for å fange opp komplekse, skjulte funksjoner av batterinedbrytning på tvers av flere tidsskalaer. Den dual-stream-rammen til modellen behandler ladningssyklusdata mer effektivt ved å dele inn inngangen i to strømmer. Dette muliggjør en bedre forståelse av batteriets ytelse under ulike forhold. Den effektive selvoppmerksomhetsmekanismen forbedrer ytterligere modellens evne til å fokusere på essensielle funksjoner i dataene samtidig som beregningskostnadene reduseres.
Modellen krever kun 15 ladningssyklusdatapunkter for å oppnå prediksjonsfeil på bare 5.40 % for RUL og 4.64 % for CCL. Videre demonstrerte den “zero-shot”-generaliseringskapabiliteter, som viser at den nøyaktig kunne forutsi levetiden til batterier som ble utsatt for ladingsstrategier som ikke var en del av treningsdatasettet. Denne evnen skiller den fra konvensjonelle metoder, som ofte sliter med å generalisere på tvers av forskjellige driftsforhold. Modellen er integrert i batteriets digitale hjernesystem, kalt PBSRD Digit, noe som har forbedret nøyaktigheten og effektiviteten til batterilevetidsestimering i store kommersielle lagringssystemer og elektriske kjøretøy.
Avslutningsvis gir studien en løsning på problemet med å nøyaktig forutsi litiumbatterilevetid ved å presentere DS-ViT-ESA-modellen, som balanserer prediksjonsnøyaktighet og beregningskostnader. Den foreslåtte metoden er innovativ ved å bruke en visjonstransformatorstruktur, dual-stream-ramme, og effektiv selvoppmerksomhetsmekanisme, noe som muliggjør svært nøyaktige prediksjoner med minimale data. Ved å tilby forbedret generalisering og lavere feilrater, viser modellen betydelig potensial for praktiske applikasjoner i energistyringssystemer.
Referanse: marktechpost.com