人工智能大模型“拿捏”电池寿命

　　■记者 孙丹宁

　　从清晨唤醒我们的闹钟，到随身携带的手机，再到电动汽车、无人机等新兴产品，无一不依赖于电池提供的稳定电力。

　　然而，随着电池使用时间的增长，其容量会逐渐衰减，造成供电时间缩短，影响设备的正常功能。如果能及时检测电池寿命，用户就能在电池性能明显下降前采取相应措施，从而避免因电池问题导致的设备故障或数据丢失，延长电池整体使用寿命。

　　近日，中国科学院大连化学物理研究所（以下简称大连化物所）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，在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型，有效解决了传统方法对大量充电测试数据的依赖问题，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。同时，该模型作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。相关成果发表于《电气电子工程师学会交通电气化学报》。

　　难以预测的电池寿命

　　电池的循环寿命是指电池在规定的充放电条件下，经历多次完全充放电循环后，容量或性能下降到初始值的某一规定百分比所能经历的充放电次数。通常以电池容量衰减到初始值的80%作为循环寿命的“终点”。

　　假如一部手机的电池循环寿命是500次，这就意味着，如果每天把手机电量完全用完再充满，那么大约500天后，你就会感觉手机电量没有以前那么耐用了，因为电池的循环寿命到了。

　　由于电池容量退化是一个受多种因素影响的动态过程，包括充放电循环次数、充放电深度、环境温度、电池老化等，这些因素相互作用，使得电池寿命预测变得尤为复杂。

　　此前，电池寿命预测都在实验室内进行。比如让电池加速循环，在高温45℃下高倍率运行，以此推断它在实际应用场景中的使用寿命。但是，不同的应用场景和运行条件会对锂电池寿命产生显著影响，以致无法实现对电池的精准预测。

　　目前，很多团队正积极投身于人工智能领域的探索。“遗憾的是，当前的人工智能技术及其学习深度，以及有限的人力资源，不能完全满足对电池寿命进行精确检测的需求。”毛治宇说，“基于这一现状，我们萌生了一个设想——设计一个能够直接且高效检测电池寿命的创新模型。这一模型致力于突破现有技术的局限，为电池健康管理提供更为可靠和智能的解决方案。”

　　人工智能模型让电池“透视”

　　2017年，毛治宇在加拿大滑铁卢大学读博士，陈忠伟是他的导师。当时，人工智能刚刚起步，他们想尝试一下，用它能否解决电池寿命检测这一难题。

　　“实际上，电池包括正极、负极、隔膜、电极液等，是一个复杂的电化学系统。但是，那时候的模型还停留在简单的神经网络学习，人工智能检测刚刚开始，我们就用自己的电池尝试测试，并纳入此前未被考虑到的电池老化问题，最终检测出来的电池寿命与实际寿命相比，精度有了很大提高。”毛治宇回忆当初第一次尝试时说。

　　这次初步尝试开启了毛治宇在人工智能应用于电池智能管理方向的科研之路。后来，二人先后归国工作，毛治宇又加入了陈忠伟的团队。

　　陈忠伟团队有一个方向是智能电池，包括人工智能应用于科学、人工智能应用于工程，毛治宇想在这里圆梦。而目前科技领域已有多个人工智能的计算模型，他们“借风使船”结合多个模型，实现了优势互补。

　　“我们利用了Vision Transformer结构，它可以进行并行计算，同时处理多个任务。”论文第一作者、在大连化物所从事博士后研究的刘云鹏介绍，“还有一个空间流加时间流的双流框架，可提取多维时间尺度信息，同时借助高效自注意力机制减少计算复杂度。我们根据不同的优势将这两种算法进行了结合。”

　　这项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和剩余使用寿命的准确预测。

　　该模型在仅使用15个充电周期数据的情况下，能够将上述两种预测误差分别控制在5.40%和4.64%以内。并且，在面对训练数据集内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-shot泛化能力。

　　打造“电池数字大脑”

　　同时，该电池寿命预测模型是第一代电池数字大脑PBSRD Digit的重要组成部分。通过将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。