Wykorzystując niewielką ilość danych dotyczących cyklu ładowania, naukowcy z Chińskiej Akademii Nauk (CAS) opracowali nowy model uczenia głębokiego (deep learning) nazwany DS-ViT-ESA. Jest on w stanie przewidzieć bieżąccy cykl życia i pozostały okres użytkowania docelowego akumulatora. Szczegóły opisano w czasopiśmie IEEE Transactions on Transportation Electrification.
Ile czasu zostało danemu akumulatorowi? Sztuczna inteligencja to przewidzi
Przewidywanie żywotności akumulatora litowo-jonowego zależy od kilku czynników, w tym liczby pełnych cykli ładowania i rozładowania (zwykle 300-1000). Ważnym czynnikiem jest także głębokość rozładowania – im bardziej rozładowujesz akumulator przed ładowaniem, tym szybciej się zużywa. Nie bez znaczenia jest także temperatura pracy – ciepło i zimno mogą wpływać na degradację ogniwa, podobnie zresztą jak sposób jego ładowania.
Czytaj też: Chińczycy rozbili akumulatorowy bank. Ich ogniwo bije rekordy
Algorytmy mogą przewidywać żywotność baterii litowo-jonowych, analizując dane zebrane podczas jej użytkowania, takie jak napięcie, prąd, temperatura i liczba cykli ładowania. Na podstawie tych informacji modele matematyczne oraz uczenie maszynowe mogą prognozować, jak długo bateria zachowa swoją pojemność. Algorytmy te są w stanie wychwycić wzorce degradacji, przewidzieć moment, w którym bateria osiągnie krytyczny poziom zużycia, oraz ostrzec o konieczności jej wymiany.
Nowo opracowany model był w stanie dokładnie przewidzieć bieżący cykl życia i pozostały okres użytkowania akumulatora. Przy zaledwie 15 punktach danych cyklu ładowania osiągnął błędy przewidywania tych parametrów wynoszące odpowiednio tylko 5,40 proc. i 4,64 proc. Co więcej, model utrzymywał niskie błędy prognoz nawet podczas testowania strategii ładowania nieuwzględnionych w zestawie danych treningowych, co pokazuje jego zdolność do generalizacji.
Model przewidywania żywotności akumulatora był również kluczowym elementem pierwszej generacji Battery Digital Brain (PBSRD Digit). System zintegrowany z tym algorytmem znacznie poprawił dokładność. Obecnie system Battery Digital Brain służy jako podstawowy system zarządzania energią dla dużych komercyjnych magazynów i pojazdów elektrycznych, z możliwością wdrożenia zarówno na serwerach w chmurze, jak i urządzeniach wbudowanych po stronie klienta.
Prof. Chen Zhongwei z CAS podsumowuje:
Model prognozowania żywotności baterii skutecznie równoważy dokładność prognozowania z kosztami obliczeniowymi, zwiększając tym samym wartość aplikacji Battery Digital Brain do szacowania żywotności. Planujemy dalszą optymalizację modelu, mając na celu zwiększenie niezawodności i wykorzystania zasobów systemu.