人工智能大模型“拿捏”電池壽命

深度學(xué)習(xí)技術(shù)應(yīng)用于電池壽命預(yù)測。受訪者供圖

從清晨喚醒我們的鬧鐘，到隨身攜帶的手機，再到電動汽車、無人機等新興產(chǎn)品，無一不依賴于電池提供的穩(wěn)定電力。

然而，隨著電池使用時間的增長，其容量會逐漸衰減，造成供電時間縮短，影響設(shè)備的正常功能。如果能及時檢測電池壽命，用戶就能在電池性能明顯下降前采取相應(yīng)措施，從而避免因電池問題導(dǎo)致的設(shè)備故障或數(shù)據(jù)丟失，延長電池整體使用壽命。

近日，中國科學(xué)院大連化學(xué)物理研究所(以下簡稱大連化物所)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)域取得新進展。他們開發(fā)了一種新型的深度學(xué)習(xí)模型，有效解決了傳統(tǒng)方法對大量充電測試數(shù)據(jù)的依賴問題，為電池實時壽命預(yù)估提供了新思路，實現(xiàn)了鋰電池壽命的端到端評估。同時，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)會交通電氣化學(xué)報》。

難以預(yù)測的電池壽命

電池的循環(huán)壽命是指電池在規(guī)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(guī)定百分比所能經(jīng)歷的充放電次數(shù)。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”。

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

由于電池容量退化是一個受多種因素影響的動態(tài)過程，包括充放電循環(huán)次數(shù)、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(yù)測變得尤為復(fù)雜。

此前，電池壽命預(yù)測都在實驗室內(nèi)進行。比如讓電池加速循環(huán)，在高溫45℃下高倍率運行，以此推斷它在實際應(yīng)用場景中的使用壽命。但是，不同的應(yīng)用場景和運行條件會對鋰電池壽命產(chǎn)生顯著影響，以致無法實現(xiàn)對電池的精準(zhǔn)預(yù)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(dāng)前的人工智能技術(shù)及其學(xué)習(xí)深度，以及有限的人力資源，不能完全滿足對電池壽命進行精確檢測的需求。”毛治宇說，“基于這一現(xiàn)狀，我們萌生了一個設(shè)想——設(shè)計一個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(xiàn)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(dǎo)師。當(dāng)時，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。

“實際上，電池包括正極、負極、隔膜、電極液等，是一個復(fù)雜的電化學(xué)系統(tǒng)。但是，那時候的模型還停留在簡單的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，人工智能檢測剛剛開始，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題，最終檢測出來的電池壽命與實際壽命相比，精度有了很大提高。”毛治宇回憶當(dāng)初第一次嘗試時說。

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

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

“我們利用了Vision Transformer結(jié)構(gòu)，它可以進行并行計算，同時處理多個任務(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，“還有一個空間流加時間流的雙流框架，可提取多維時間尺度信息，同時借助高效自注意力機制減少計算復(fù)雜度。我們根據(jù)不同的優(yōu)勢將這兩種算法進行了結(jié)合。”

這項研究提出了一種基于少量充電周期數(shù)據(jù)的深度學(xué)習(xí)模型，該模型通過帶有雙流框架的Vision Transformer結(jié)構(gòu)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(dāng)前循環(huán)壽命和剩余使用壽命的準(zhǔn)確預(yù)測。

該模型在僅使用15個充電周期數(shù)據(jù)的情況下，能夠?qū)⑸鲜鰞煞N預(yù)測誤差分別控制在5.40%和4.64%以內(nèi)。并且，在面對訓(xùn)練數(shù)據(jù)集內(nèi)未出現(xiàn)的充電策略時，仍能保持較低的預(yù)測誤差，證明了其zero-shot泛化能力。

打造“電池數(shù)字大腦”

同時，該電池壽命預(yù)測模型是第一代電池數(shù)字大腦PBSRD Digit的重要組成部分。通過將模型整合到該系統(tǒng)中，進一步提高了系統(tǒng)的準(zhǔn)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(wù)器和客戶端嵌入式設(shè)備。

“現(xiàn)在新能源特別是儲能是熱點話題，很多廠家都想開發(fā)全生命周期的電池智能管理系統(tǒng)。我們希望建設(shè)一個完整的電池數(shù)字大腦，能夠更好地管理電池，像大腦一樣控制電池的各個方面，讓電池效率更高、壽命更長。這是我們未來的一個智能化發(fā)展方向。”毛治宇介紹說。

事實上，陳忠偉、毛治宇、劉云鵬正好是一個團隊內(nèi)的“師徒三代”。經(jīng)過多年發(fā)展，團隊在電化學(xué)、電催化、人工智能方面都有著深厚的積累。他們的目標(biāo)是打造從基礎(chǔ)研究到關(guān)鍵技術(shù)開發(fā)再到產(chǎn)業(yè)應(yīng)用示范的全鏈條模式，以應(yīng)用為導(dǎo)向真正走向產(chǎn)業(yè)化，乃至對整個領(lǐng)域產(chǎn)生影響。

150余人的團隊中，會聚了超過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(shù)據(jù)架構(gòu)與算法領(lǐng)域深耕多年的專家，擅長將前沿的算法研究轉(zhuǎn)化為高效、穩(wěn)定的系統(tǒng)架構(gòu)，確保技術(shù)成果能夠順利落地。

正是這種“研究+開發(fā)”深度融合的模式，使得團隊能夠跨越傳統(tǒng)界限，促進不同領(lǐng)域知識與技術(shù)的交叉融合。工程師們不僅能獨立承擔(dān)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(zhuǎn)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(yīng)對各種復(fù)雜挑戰(zhàn)，推動多個項目并行發(fā)展，最終實現(xiàn)多元化、全方位的技術(shù)創(chuàng)新目標(biāo)。

“未來，我們計劃利用模型提煉等技術(shù)進一步優(yōu)化模型，以提高資源利用率，打造真正的數(shù)字大腦。”陳忠偉說。

相關(guān)論文信息：

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