Новое исследование ИИ использует минимальные данные для оценки состояния батареи и уровня заряда

Исследование ИИ оценивает состояние батареи и уровень заряда с минимальными данными

Литий-ионные аккумуляторы получили широкое применение по всему миру, энергетизируя мобильные устройства, автомобили с бензиновыми двигателями и различные другие приложения. Эти аккумуляторы являются предпочтительным выбором для питания наших драгоценных устройств. По мере увеличения популярности электромобилей, литий-ионные аккумуляторы будут играть важную роль.

Учитывая широкое использование этих аккумуляторов, оценка их состояния является первостепенной задачей для решения проблем безопасности, связанных с новыми материалами для аккумуляторов. Это становится критически важным в связи с ограниченными исследованиями их долговечности и устойчивости на длительный срок. Учитывая их ожидаемую роль в поддержке растущего числа автомобилей, обеспечение эффективных методов оценки состояния аккумуляторов становится еще более важным.

Однако, даже если один аккумулятор выходит из строя, это приводит к сбою всей батарейной системы и может вызвать проблемы безопасности, такие как дым, пожар и взрыв. Поэтому важно контролировать состояние аккумуляторов, включая параметры, такие как уровень заряда (SOC) и оставшуюся энергию, а также их состояния, такие как общее состояние здоровья.

• Не такие большие языковые модели хорошие данные свергают Голиафа
• Представление пространственных данных интерактивно с помощью карт сюжетов #2
• Объявление о поддержке точек доступа Amazon S3 для Amazon SageMaker Data Wrangler

Для решения этой проблемы команда исследователей из Карнеги-Меллонского университета и университета Техаса в Остине разработала систему управления аккумуляторами, которая облегчает диагностику состояния аккумуляторов, чтобы водители могли принимать обоснованные решения. Они изучали кривые заряда и использовали их для оценки и прогнозирования состояния аккумуляторов. Эти кривые дают максимальную емкость, которая может быть использована для расчета доступной емкости аккумулятора, которая может быть использована для оценки уровня заряда и других энергетических состояний. Исследователи подчеркивают, что хотя системы управления аккумуляторами уже существуют в большинстве электромобилей, несколько качеств делают эту новую модель выдающейся среди остальных.

Для проведения этого исследования исследователи изучили общее количество 10066 кривых заряда аккумуляторов на основе LiNiO2 при постоянном C-тарифе. Чтобы подчеркнуть это, Джаян, доцент механической инженерии, сказал, что у них имеется база данных примерно из 11000 экспериментально полученных кривых заряда для конкретной химии катода аккумулятора. Они использовали их для обучения модели машинного обучения для прогнозирования полных кривых заряда с использованием ограниченного объема входных данных.

Эта модель анализирует только первые пять процентов процесса зарядки аккумулятора. С помощью такого подхода они могут предсказать, как будет происходить зарядка аккумулятора с точностью до двух процентов. Впечатляет тот факт, что такая точность достигается с использованием всего 10% начальной кривой заряда в качестве входных данных.

Исследователи отмечают, что сбор и использование реальных данных в качестве входных данных для моделей машинного обучения будет важным следующим шагом для улучшения модели. Кроме того, исследователи готовы включить в расчет заряда аккумулятора и последующих профилей разряда окружающие переменные. Они также готовы использовать данные от аккумуляторов электромобилей, которые находятся на дороге, и изучить их. Используя реальные данные из реального мира и передовые нейронные сети, системы управления аккумуляторами могут стать лучше в предсказании времени зарядки и разрядки аккумуляторов.