Исследователи учат ИИ прогнозировать износ батарей электромобилей

Область применения литий-ионных батарей широка: от сферы производства общедоступной техники (гаджеты, электрокары), до изделий специального назначения.

Емкость этих аккумуляторов со временем снижается, что провоцируется не только «старением», а и весьма естественным процессом зарядки-разрядки. Хранение без применения или просто время, когда аккумулятор не в ходу, называют «календарным старением» (влияет таким же образом). Определяется тремя основными факторами: состоянием покоя (SOC), температурой покоя и продолжительностью покоя батареи.

Учитывая то, что электромобиль большую часть своего эксплуатационного срока проводит на стоянке, прогноз деградации емкости литий-ионного аккумулятора имеет решающее значение. Полученные данные помогут не только увеличить срок службы аккумулятора, а и обойти механизмы «календарного старения».

По этой причине исследователи используют передовые алгоритмы машинного обучения для точного прогнозирования календарного старения. Более того, ученые уже объединились с представителями сферы производства электромобилей.

Так, недавно было проведено исследование, финансируемое программой ЕС Horizon 2020, в рамках которого ученые сравнили точность двух алгоритмов в широком спектре коммерческих литий-ионных аккумуляторов. Речь об XGBoost и искусственной нейронной сети ИНС. Конкретнее – получили данные о старении шести типов химических элементов аккумуляторов благодаря использованию температурных камер, нагретых до 50, 60, 70 градусов при использовании низкого, среднего и высокого напряжения. Такие новости мы публикуем в Telegram. Подпишитесь на канал, чтобы не пропустить новинки! Уже много подписчиков!

К слову, оба алгоритма характеризуются способностью давать точные результаты, однако работают они с существенными различиями. Чтобы оценить производительность, исследователи использовали показатель средней абсолютной ошибки в процентах (MAPE), который измеряет среднюю величину ошибок между прогнозируемыми и измеренными значениями. Проще говоря, чем меньше значение MAPE, тем выше точность прогноза.

В результате ученые пришли к выводу, что XGBoost можно использовать для качественного прогнозирования календарного старения большинства химических веществ со значительно минимальной средней абсолютной ошибкой. Между тем, ANN дает удовлетворительные результаты только для клеточной химии LFP, LTO и NCA. Общая производительность XGB и, в частности, в отношении химических элементов аккумуляторов, которые доминируют в автомобильной промышленности (NCA, NMC, LFP), показывают, что его можно включить в прикладное программное обеспечение для аккумуляторов электромобилей.

Источник: Thenextweb.