Дослідження ШІ оцінює стан батареї та рівень її заряду, використовуючи мінімум даних

Літій-іонні акумулятори стали глобальною енергетичною силою, яка живить енергією все — від мобільних пристроїв до автомобілів з бензиновим двигуном. Вони є найкращим вибором для заряджання наших улюблених гаджетів, і оскільки революція електромобілів набирає обертів, їхнє значення ще більше зростає.

Зважаючи на широке розповсюдження, оцінка стану акумуляторів є критично важливою, особливо з появою нових матеріалів для батарей. З огляду на обмеженість досліджень довготривалої довговічності, постає питання безпеки. Це занепокоєння посилюється, оскільки очікується, що ці батареї будуть використовуватись для забезпечення енергією все більшої кількості транспортних засобів.

Навіть одна батарея, що вийшла з ладу, може вплинути на весь акумуляторний блок, що призведе до таких проблем безпеки, як задимлення, пожежа та вибухи. Моніторинг стану батарей, включаючи такі параметри, як стан заряду (State of Charge, SOC) і залишкова енергія, а також загальний стан здоров’я, має вирішальне значення.

Для вирішення цієї проблеми дослідники з Університету Carnegie Mellon та Техаського університету в Остіні розробили систему управління акумулятором, яка дозволяє діагностувати стан батареї, що дає можливість водіям приймати обґрунтовані рішення. Вивчаючи криві заряду та використовуючи їх для оцінки та прогнозування стану батареї, дослідники досягли значного прогресу. Ці криві надають цінні дані для оцінки SOC, доступної ємності акумулятора та інших параметрів.

Хоча існуючі системи управління батареями присутні в більшості електромобілів, ця нова модель виділяється певними якостями. Дослідники проаналізували понад 10 000 кривих заряду акумуляторів на основі LiNiO2 при постійній швидкості заряду. Вони використали ці дані для тренування моделі машинного навчання, яка прогнозує повні криві заряду з дивовижною точністю, використовуючи розрізнені вхідні дані.

Показово, що ця прогнозуюча модель потребує для аналізу лише перших п’ять відсотків процесу заряджання акумулятора. Вона може прогнозувати поведінку акумулятора під час заряджання з вражаюче низькою похибкою — лише 2%, використовуючи лише 10% початкової кривої заряджання як вхідні дані.

Дослідники визнають важливість використання реальних даних для вдосконалення моделі і планують включити в свої розрахунки змінні навколишнього середовища. Вони також мають намір зібрати дані з акумуляторів електромобілів, що використовуються, і вдосконалити свій підхід. Поєднання реальних даних і вдосконалених нейронних мереж дозволить системам управління акумуляторами значно покращити їхню здатність прогнозувати оптимальний час заряджання і розряджання.