深度學習技術應用于電池壽命預測。受訪者供圖

從清晨喚醒我們的鬧鐘，到隨身攜帶的手機，再到電動汽車、無人機等新興產品，無一不依賴于電池提供的穩定電力。

然而，隨著電池使用時間的增長，其容量會逐漸衰減，造成供電時間縮短，影響設備的正常功能。如果能及時檢測電池壽命，用戶就能在電池性能明顯下降前采取相應措施，從而避免因電池問題導致的設備故障或數據丟失，延長電池整體使用壽命。

近日，中國科學院大連化學物理研究所(以下簡稱大連化物所)研究員陳忠偉、副研究員毛治宇團隊，聯合西安交通大學教授馮江濤，在電池健康管理領域取得新進展。他們開發了一種新型的深度學習模型，有效解決了傳統方法對大量充電測試數據的依賴問題，為電池實時壽命預估提供了新思路，實現了鋰電池壽命的端到端評估。同時，該模型作為團隊開發的第一代電池數字大腦PBSRD Digit核心模型的重要組成部分，為電池智能管理提供了解決方案。相關成果發表于《電氣電子工程師學會交通電氣化學報》。

難以預測的電池壽命

電池的循環壽命是指電池在規定的充放電條件下，經歷多次完全充放電循環后，容量或性能下降到初始值的某一規定百分比所能經歷的充放電次數。通常以電池容量衰減到初始值的80%作為循環壽命的“終點”。

假如一部手機的電池循環壽命是500次，這就意味著，如果每天把手機電量完全用完再充滿，那么大約500天后，你就會感覺手機電量沒有以前那么耐用了，因為電池的循環壽命到了。

由于電池容量退化是一個受多種因素影響的動態過程，包括充放電循環次數、充放電深度、環境溫度、電池老化等，這些因素相互作用，使得電池壽命預測變得尤為復雜。

此前，電池壽命預測都在實驗室內進行。比如讓電池加速循環，在高溫45℃下高倍率運行，以此推斷它在實際應用場景中的使用壽命。但是，不同的應用場景和運行條件會對鋰電池壽命產生顯著影響，以致無法實現對電池的精準預測。

目前，很多團隊正積極投身于人工智能領域的探索。“遺憾的是，當前的人工智能技術及其學習深度，以及有限的人力資源，不能完全滿足對電池壽命進行精確檢測的需求。”毛治宇說，“基于這一現狀，我們萌生了一個設想——設計一個能夠直接且高效檢測電池壽命的創新模型。這一模型致力于突破現有技術的局限，為電池健康管理提供更為可靠和智能的解決方案。”

人工智能模型讓電池“透視”

2017年，毛治宇在加拿大滑鐵盧大學讀博士，陳忠偉是他的導師。當時，人工智能剛剛起步，他們想嘗試一下，用它能否解決電池壽命檢測這一難題。

“實際上，電池包括正極、負極、隔膜、電極液等，是一個復雜的電化學系統。但是，那時候的模型還停留在簡單的神經網絡學習，人工智能檢測剛剛開始，我們就用自己的電池嘗試測試，并納入此前未被考慮到的電池老化問題，最終檢測出來的電池壽命與實際壽命相比，精度有了很大提高。”毛治宇回憶當初第一次嘗試時說。

這次初步嘗試開啟了毛治宇在人工智能應用于電池智能管理方向的科研之路。后來，二人先后歸國工作，毛治宇又加入了陳忠偉的團隊。

陳忠偉團隊有一個方向是智能電池，包括人工智能應用于科學、人工智能應用于工程，毛治宇想在這里圓夢。而目前科技領域已有多個人工智能的計算模型，他們“借風使船”結合多個模型，實現了優勢互補。

“我們利用了Vision Transformer結構，它可以進行并行計算，同時處理多個任務。”論文第一作者、在大連化物所從事博士后研究的劉云鵬介紹，“還有一個空間流加時間流的雙流框架，可提取多維時間尺度信息，同時借助高效自注意力機制減少計算復雜度。我們根據不同的優勢將這兩種算法進行了結合。”

這項研究提出了一種基于少量充電周期數據的深度學習模型，該模型通過帶有雙流框架的Vision Transformer結構和高效自注意力機制，捕捉并融合多時間尺度隱藏特征，實現對電池當前循環壽命和剩余使用壽命的準確預測。

該模型在僅使用15個充電周期數據的情況下，能夠將上述兩種預測誤差分別控制在5.40%和4.64%以內。并且，在面對訓練數據集內未出現的充電策略時，仍能保持較低的預測誤差，證明了其zero-shot泛化能力。

打造“電池數字大腦”

同時，該電池壽命預測模型是第一代電池數字大腦PBSRD Digit的重要組成部分。通過將模型整合到該系統中，進一步提高了系統的準確性。目前，該電池數字大腦系統作為大規模工商業儲能和電動汽車的能量管理核心，可部署于云端服務器和客戶端嵌入式設備。

“現在新能源特別是儲能是熱點話題，很多廠家都想開發全生命周期的電池智能管理系統。我們希望建設一個完整的電池數字大腦，能夠更好地管理電池，像大腦一樣控制電池的各個方面，讓電池效率更高、壽命更長。這是我們未來的一個智能化發展方向。”毛治宇介紹說。

事實上，陳忠偉、毛治宇、劉云鵬正好是一個團隊內的“師徒三代”。經過多年發展，團隊在電化學、電催化、人工智能方面都有著深厚的積累。他們的目標是打造從基礎研究到關鍵技術開發再到產業應用示范的全鏈條模式，以應用為導向真正走向產業化，乃至對整個領域產生影響。

150余人的團隊中，會聚了超過50位經驗豐富的工程師。他們具有不同的技術背景，不乏在大數據架構與算法領域深耕多年的專家，擅長將前沿的算法研究轉化為高效、穩定的系統架構，確保技術成果能夠順利落地。

正是這種“研究+開發”深度融合的模式，使得團隊能夠跨越傳統界限，促進不同領域知識與技術的交叉融合。工程師們不僅能獨立承擔項目研發的重任，還能與科研人員緊密合作，將最新研究成果迅速轉化為產品功能，從而加速技術創新與產業升級的步伐。

通過這種高效的協作機制，團隊不僅在電池壽命檢測等特定領域取得突破，還能靈活應對各種復雜挑戰，推動多個項目并行發展，最終實現多元化、全方位的技術創新目標。

“未來，我們計劃利用模型提煉等技術進一步優化模型，以提高資源利用率，打造真正的數字大腦。”陳忠偉說。

相關論文信息：

https://doi.org/10.1109/TTE.2024.3434553