- 我的订阅
- 科技
我们正处于一个信息大暴发的时代，每天都能产生数以百万计的新闻资讯！
虽然有大数据推荐，但面对海量数据，通过我们的调研发现，在一个小时的时间里，您通常无法真正有效地获取您感兴趣的资讯！
头条新闻资讯订阅，旨在帮助您收集感兴趣的资讯内容，并且在第一时间通知到您。可以有效节约您获取资讯的时间，避免错过一些关键信息。
中国科学院大连化物所等开发出用于电池寿命预测的深度学习模型
IT之家 9 月 3 日消息，锂电池寿命的准确预测对于电气设备的正常运行至关重要。然而，由于电池容量退化过程的非线性和运行条件的不确定性，电池寿命的准确预测面临着挑战。
中国科学院表示，大连化学物理研究所能源催化转化全国重点实验室动力电池与系统研究部研究员陈忠伟、副研究员毛治宇团队，联合西安交通大学教授冯江涛在电池健康管理研究方面取得进展。相关研究成果已经发表在《电气电子工程师学会交通电气化学报》上（IT之家附 DOI:10.1109/TTE.2024.3434553）。
据介绍，研究团队开发出了新型的深度学习模型，克服了传统方法对大量充电测试数据的依赖，为电池实时寿命预估提供了新思路，实现了锂电池寿命的端到端评估。该模型作为团队开发的第一代电池数字大脑 PBSRD Digit 核心模型的组成部分，为电池智能管理提供了解决方案。
该研究提出了基于少量充电周期数据的深度学习模型。这一模型通过带有双流框架的 Vision Transformer 结构和高效自注意力机制，捕捉并融合多时间尺度隐藏特征，实现对电池当前循环寿命和剩余使用寿命的准确预测。
同时，该模型在使用 15 个充电周期数据的情况下，将剩余使用寿命和当前循环寿命的预测误差分别控制在 5.40% 和 4.64% 以内。
此外，在面对训练数据集未出现的充电策略时，该模型仍能够保持较低的预测误差，证明了其 zero-short 泛化能力。
这一电池寿命预测模型是第一代电池数字大脑 PBSRD Digit 的组成部分。研究人员通过将上述模型整合到该系统中，进一步提高了系统的准确性。
目前，该电池数字大脑系统作为大规模工商业储能和电动汽车的能量管理核心，可部署于云端服务器和客户端嵌入式设备。
这一模型平衡了预测准确率和计算成本，提高了电池数字大脑对于寿命预估的应用价值。未来，该团队将通过模型蒸馏、剪枝等方法进一步优化模型，从而提高系统的鲁棒性和资源利用率。
以上内容为资讯信息快照，由td.fyun.cc爬虫进行采集并收录，本站未对信息做任何修改，信息内容不代表本站立场。
快照生成时间：2024-09-04 11:45:08
本站信息快照查询为非营利公共服务，如有侵权请联系我们进行删除。
信息原文地址：
