新的机器学习方案可准确预测电池的健康状态

从间歇性能源与需求的整合，到通过电动汽车、火车和船舶为运输部门释放无碳电力，再到一系列先进的电子产品和机器人应用，电池在各种应用中越来越重要。

然而，一个关键的挑战是电池会随着操作条件的变化而迅速退化。目前很难在不中断电池运行或不经过专用设备的漫长充放电程序的情况下评估电池的健康状况。

在《自然机器智能》杂志最近发表的一项研究中，来自爱丁堡赫瑞瓦特大学智能系统小组的研究人员，英国与美国马里兰大学CALCE小组的研究人员合作，通过向人工智能(AI)算法输入原始电池电压和电流运行数据，开发了一种新的方法，可以在不考虑电池运行条件、电池设计或化学成分的情况下评估电池健康状况。

设计人工智能框架的博士生达利斯·罗曼(DariusRoman)表示，迄今为止，电池退化的数据驱动模型的进展，依赖于更快地进行推理的算法的开发。虽然研究人员经常花费大量时间在模型或算法开发上，但很少有人花时间去理解算法应用的工程环境。相比之下，我们的工作是从头开始的。我们首先是通过与马里兰大学CALCE小组的合作了解电池退化问题的，该小组进行了内部电池退化测试。然后我们专注于数据，设计捕捉电池退化的功能，选择最重要的功能，然后才部署AI技术来评估电池的健康状况。

此外，研究人员发现，目前的电池健康评估数据驱动模型没有考虑模型的置信度。然而，这对于理解AI模型如何得出某种结论以及该模型是否可信的决策制定来说通常是至关重要的。在他们的工作中，提出的人工智能模型能够量化预测中的不确定性，从而更好地支持运营决策。

过针刺 低温防爆18650 2200mah

符合Exic IIB T4 Gc防爆标准

充电温度：0~45℃
-放电温度：-40~+55℃
-40℃最大放电倍率：1C
-40℃ 0.5放电容量保持率≥70%

点击详情

开发的框架与新的化学物质进行了扩展，包括即将到来的新型固态电池、电池设计和操作条件，并有潜力解锁电池如何使用和应该如何使用的新策略。

智能系统集团(SmartSystemsGroup)的瓦伦丁•罗布(ValentinRobu)表示，从机器人到可再生能源集成，电池对各种应用越来越重要。这些领域的一个关键挑战是对电池的健康状态进行准确、高可信度的估计。例如，在远程环境下作业的机器人设备(如深海水下监控)，确保部署在机器人上的电池的健康是关键任务。同样，对于能源应用来说，准确估计电池的剩余使用寿命往往对项目的经济可行性至关重要。