鋰離子電池已成為電動汽車興起的關(guān)鍵組成部分，但對其健康和壽命的預(yù)測限制了這項技術(shù)。

雖然它們已被證明是成功的，但鋰離子電池的容量會隨著時間的推移而下降，而不僅僅是因為充電和放電過程中發(fā)生的老化過程——即所謂的“循環(huán)老化”。

電池在不使用時也會退化

鋰離子電池單元還會因所謂的“日歷老化”而退化，這種老化發(fā)生在存儲過程中，或者只是在電池不使用時發(fā)生。它由三個主要因素決定：靜止充電狀態(tài)(SOC)、靜止溫度和電池靜止時間的持續(xù)時間。

鑒于電動汽車的大部分壽命都將處于停放狀態(tài)，因此預(yù)測電池因日歷老化而導(dǎo)致的容量下降至關(guān)重要。它可以延長電池壽命，并為甚至可以規(guī)避這種現(xiàn)象的機制鋪平道路。

出于這個原因，研究人員一直在使用先進的機器學習算法來準確預(yù)測日歷老化。

將研究與電動汽車市場聯(lián)系起來

在最近由歐盟地平線2020計劃資助的一項研究中，一組科學家通過比較兩種算法在廣泛的商用鋰離子電池化學物質(zhì)上的準確性，進一步推進了這項研究。

具體來說，他們從六種電池化學成分中提取了日歷老化數(shù)據(jù)：鈷酸鋰(LCO)、磷酸鐵鋰(LIP)、錳酸鋰(LMO)、鈦酸鋰(LTO)、鎳鈷鋁氧化物(NCA)和鎳錳鈷氧化物(NMC)。

這些電池在50、60和70攝氏度的溫度室中使用高、中和低電壓進行日歷老化。

為了預(yù)測衰老，該團隊研究了兩種機器學習算法的效率：極限梯度提升(XGBoost)和人工神經(jīng)網(wǎng)絡(luò)(ANN)。

算法是如何工作的？

選擇這兩種算法是因為它們能夠產(chǎn)生可靠的結(jié)果，但它們的操作有很大不同。

XGBoost是一種基于決策樹的最先進的監(jiān)督機器學習算法，廣泛用于回歸或分類問題。

ANN是一種人工自適應(yīng)系統(tǒng)，它使用其基本元素（稱為神經(jīng)元和連接）將其全局輸入??轉(zhuǎn)換為預(yù)測輸出。

為了評估它們的性能，研究人員使用了平均絕對百分比誤差(MAPE)指標，該指標測量預(yù)測值和測量值之間的平均誤差幅度。簡單來說，MAPE值越小，預(yù)測精度越高。

結(jié)果表明了什么？

算法測試表明，XGBoost可用于有效預(yù)測大多數(shù)化學物質(zhì)的日歷老化，且平均絕對誤差極小。同時，ANN僅對LFP、LTO和NCA電池化學成分產(chǎn)生了令人滿意的結(jié)果。

您可以在下圖中查看它們的準確性：

基于MAPE值的低，比較ANN和XGB的精度。

XGB的整體卓越性能，特別是在主導(dǎo)汽車行業(yè)的電池化學成分（NCA、NMC、LFP）方面，表明它可以集成到EV電池應(yīng)用軟件中，以成功預(yù)測日歷老化效應(yīng)并為電動汽車電池提供更長的使用壽命。

現(xiàn)在還有待觀察需要采取哪些步驟將研究結(jié)果轉(zhuǎn)化為商業(yè)應(yīng)用。