西交大将AI用于电池建模和健康管理,成功打造物理信息神经网络
近日,西安交通大学助理教授赵志斌团队将物理模型和深度神经网络加以结合,提出一种用于电池建模以及健康状况预测的“物理信息神经网络”(PINN,Physics-informed neural network)的 AI 算法,并将其用于电池建模、以及电池健康状况预测。 图 | 赵志斌(来源:赵志斌) 课题组还开源了相关数据集和完整代码(https://zenodo.org/records/10963339)。 此外,通过结合其他三个来自不同电池制造商的数据集,他们针对 387 个电池的数据,在 310705 个样本上进行验证,由此得出的平均绝对百分比误差为 0.87%。 为了验证本次方法,该团队通过开展电池退化实验,生成了一个由 55 个镍钴锰酸锂电池组成的综合数据集,并针对 6 种工况加以模拟。 实验结果显示:在不同化学成分的电池数据集上,本次提出的物理信息神经网络均具备适用性。 能够适应不同类型的电池和不同的使用场景,有望促进电池健康管理系统的开发。 具体应用可能包括: 其一,用于电动汽车。 提高电池寿命预测和电池寿命管理系统的准确性,优化电动汽车的电池使用策略和电池维护策略。 其二,用于航空航天。 提高卫星和无人机的电池管理系统,确保任务的可靠性和安全性,减少由于电池故障导致的任务失败。 其三,用于便携式电子设备。 优化手机、笔记本电脑等设备的电池管理,提高用户体验和使用寿命。 其四,用于储能系统。 在大规模的储能系统中,优化电池健康状态的监测和管理,确保能源系统稳定、高效地运行。 图 | 物理信息神经网络流程图(来源:Nature Communications) “AI+ 电池”研究,如何“有上加优”? 近年来,锂离子电池的使用量以惊人的速度增长,几乎渗透到社会生活的各个角落。 锂离子电池凭借其能量密度高、自放电率低、使用寿命长等优点,已成为各种便携式电子设备、电动汽车、航空航天等众多领域的主要储能器件。 然而,锂电池的大规模应用也带来了一系列新的挑战和问题,特别是在安全性、可靠性和环保方面。因此,对锂电池进行退化建模和健康管理变得尤为重要。 在航空航天领域,作为卫星、无人机等高科技设备的重要能源供给,锂离子电池扮演着至关重要的角色。 这些设备对于电池的可靠性和稳定性有着极高要求,一旦电池出现问题,可能会导致任务失败,甚至造成巨大的经济损失和严重的安全隐患。 而通过对锂电池进行精细的退化建模和健康管理,就能提前发现潜在的故障,确保设备在复杂环境下的正常运行。 与此同时,该课题组发现关于物理信息神经网络在电池建模和电池评估的研究,已经初步崭露头角。 但是,尽管近年来一些期刊发表了大量有关电池健康管理的论文。然而,这些论文中所设计的健康管理方法,主要针对特定的数据集。 一旦更换一个数据集,论文所提出的方法可能就会失效。也就是说大多数已发表的论文,停留在利用物理知识来预处理数据的阶段,没有实现物理模型和神经网络的深度融合。...