Nouveau modèle d’apprentissage profond développé pour prédire la durée de vie des batteries

La prévision précise de la durée de vie des batteries au lithium est essentielle au bon fonctionnement des équipements électriques. Cependant, il est difficile de prévoir avec précision la durée de vie des batteries en raison de la non-linéarité de la dégradation de la capacité et de l'incertitude des conditions de fonctionnement.

Récemment, le professeur Chen Zhongwei et le professeur associé Mao Zhiyu de l'Institut de physique chimique de Dalian de l'Académie chinoise des sciences, en collaboration avec le professeur Feng Jiangtao de l'Université Jiaotong de Xi'an, ont conçu un nouveau modèle d'apprentissage profond, le transformateur à double flux de vision avec mécanisme d'auto-attention efficace (DS-ViT-ESA), pour prédire la durée de vie du cycle actuel (CCL) et la durée de vie utile restante (RUL) de la batterie cible. L'étude a été publiée dans Transactions de l'IEEE sur l'électrification des transports.

Les chercheurs ont développé le modèle d’apprentissage profond en utilisant une petite quantité de données de cycle de charge. Ce modèle utilise une structure de transformateur de vision avec un cadre à double flux et un mécanisme d’auto-attention efficace pour capturer et intégrer des fonctionnalités cachées sur plusieurs échelles de temps.

Le modèle a pu prédire avec précision le CCL et le RUL de la batterie. Avec seulement 15 points de données de cycle de charge, il a obtenu des erreurs de prédiction RUL et CLL de seulement 5,40 % et 4,64 %, respectivement. De plus, le modèle a conservé de faibles erreurs de prédiction même lorsqu'il a été testé sur des stratégies de charge non incluses dans l'ensemble de données de formation, démontrant ainsi sa capacité de généralisation à zéro coup.

Ce modèle de prédiction de la durée de vie de la batterie était également un élément essentiel de la première génération de Battery Digital Brain, appelée PBSRD Digit. Le système intégré à cet algorithme a considérablement amélioré la précision. Actuellement, le système Battery Digital Brain sert de système de gestion de l'énergie de base pour le stockage commercial à grande échelle et les véhicules électriques, avec la capacité d'être déployé à la fois sur des serveurs cloud et sur des appareils embarqués côté client.

« Le modèle de prédiction de la durée de vie de la batterie équilibre efficacement la précision de la prédiction avec le coût de calcul, augmentant ainsi la valeur d'application du Battery Digital Brain pour l'estimation de la durée de vie », a déclaré le professeur Chen. « Nous prévoyons d'optimiser davantage le modèle en utilisant des techniques telles que la distillation et l'élagage du modèle, dans le but d'améliorer la robustesse et l'utilisation des ressources du système. »