研究人員最近開發了一種混合人工智能模型，顯著提高了預測鋰離子電池壽命的準確性。該系統結合了卷積神經網絡、門控循環單元和粒子過濾器，提供了更可靠的剩餘使用壽命預測。鋰離子電池隨著時間的推移而退化，因為在多次充放電循環中會逐漸失去容量。準確預測電池何時會失效對於電動車、消費電子產品及電網儲能系統來說都是一個關鍵挑戰。該模型專注於預測剩餘使用壽命（RUL），即電池在容量降至可用閾值以下之前可以完成的循環次數。準確的 RUL 預測有助於防止意外故障、降低維護成本並提高電池供電系統的安全性。
傳統方法依賴於基於物理的模型或數據驅動的方法。基於物理的模型模擬電池內部化學反應，但在複雜的現實條件下表現不佳。數據驅動模型，如卷積神經網絡和門控循環單元，在處理大型數據集時表現良好，但在長期預測或數據噪聲較大的情況下，準確性經常受到影響。為了解決這些問題，研究人員開發了一個混合系統，將深度學習與概率過濾相結合。該方法整合了卷積神經網絡進行特徵提取，門控循環單元進行時間序列預測，及粒子過濾器修正預測誤差並隨時間穩定輸出。
系統首先使用一種名為自適應噪聲完整集成經驗模態分解的技術對電池數據進行預處理。這一步驟可以分解複雜的容量信號，去除噪聲並保留有意義的退化模式。接著，通過一維卷積神經網絡提取關鍵特徵，而門控循環單元則捕捉這些特徵隨時間的演變。粒子過濾器在此過程中扮演了關鍵角色，通過估計最可能的電池狀態不斷調整模型的輸出，減少累積誤差。移動窗口機制進一步提高了性能，通過將修正後的預測反饋到模型中，使其在新數據可用時動態適應。
在基準數據集上進行的測試，包括來自 NASA 和 CALCE 的廣泛使用的電池數據，顯示出顯著的增益。該混合模型的預測準確性相比於獨立的門控循環單元提高了高達 87.27%，相比於粒子過濾器單獨使用提高了 82.88%，而相比於更簡單的混合組合提高了 55.43%。該系統在有限或噪聲數據集上進行訓練時也保持穩定。
更準確的 RUL 預測可以直接惠及電動車，減少行駛範圍的不確定性並防止突發電池故障。對於電網規模的儲能系統，更好的預測可以優化維護計劃並最小化停機時間，提高可再生能源系統的可靠性。該模型在較小數據集上表現良好，這使其適合在實際應用中部署，因為理想的數據條件在現實中很少存在。研究人員建議未來的工作可以包括在極端溫度下測試，整合額外的健康指標如電壓和溫度，並將系統擴展到多電池組。
這項研究突顯了結合深度學習與概率方法如何克服各自的局限性，為可靠的電池健康監測提供了一條更穩固的道路。該研究發表在《綠色能源與智能交通》期刊上。
