近日，我所能源催化转化全国重点实验室动力电池与系统研究部（DNL29）陈忠伟院士、毛治宇副研究员团队，联合西安交通大学冯江涛教授，在电池健康管理领域取得新进展。合作团队开发了一种新型的深度学习模型，有效地解决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的思路，实现了锂电池寿命的端到端评估。同时，该模型也作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。

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。

本研究提出了一种基于少量充电周期数据的深度学习模型，该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（CCL）和剩余使用寿命（RUL）的准确预测。该模型在仅使用15个充电周期数据的情况下，能够将RUL和CLL的预测误差分别控制在5.40%和4.64%以内。此外，在面对训练数据集中未出现的充电策略时，仍能保持较低的预测误差，证明了其zero-short泛化能力。

该电池寿命预测模型也是第一代电池数字大脑PBSRD Digit重要组成部分，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。

本团队研发的寿命预测模型，有效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。未来团队也将会通过模型蒸馏、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。

相关研究成果以“Deep learning powered lifetime prediction for lithium-ion batteries based on small amounts of charging cycles”为题，于近日发表在《电气电子工程师学会交通电气化学报》（IEEE Transactions on Transportation Electrification）上。该工作的第一作者是我所DNL29博士后刘云鹏，该工作得到国家自然科学基金、中国科学院B类先导专项“能源电催化的动态解析与智能设计”、中央高校基本科研业务费专项科研基金等项目的资助。（文/图刘云鹏）

文章链接：https://10.1109/TTE.2024.3434553