(圖片來源:劍橋大學)
劍橋大學(University of Cambridge)的研究人員表示,這種算法有助于駕駛員、制造商和行業(yè)充分利用電池,為電動汽車提供動力。通過提示路線、駕駛模式,將電池退化程度和充電時間降至最低。
該團隊開發(fā)了一種非侵入式探測方法,以全面了解電池健康狀況,然后將這些結(jié)果輸入機器學習算法。該算法能夠預(yù)測不同的駕駛模式將如何影響電池的健康狀況。如果進行商業(yè)化開發(fā),該算法可用于向駕駛員推薦最短行駛時間路線,或者推薦最快的充電方式,而不會損壞電池。
無論是智能手機還是汽車,電池的健康狀況遠比屏幕上的單個數(shù)字復(fù)雜得多。劍橋卡文迪什實驗室(Cambridge's Cavendish Laboratory)的Penelope Jones表示:“如同人類的健康,電池健康是一個多維度問題,有很多種退化方式。大多數(shù)監(jiān)測電池健康狀況的方法都基于相同的電池使用方式。然而,在現(xiàn)實生活中,并不是如此使用電池的。如果用手機觀看電視節(jié)目,電量消耗速度會比用手機發(fā)信息快得多。電動汽車也一樣,具體的駕駛方式會影響電池的退化程度。”
這項研究的負責人Dr. Alpha Lee表示:“大多數(shù)人都會在手機電池沒法用之前換掉手機,但是汽車中的電池需要使用5年、10年,甚至更長時間。在這段時間內(nèi),電池容量會發(fā)生很大的變化。因此,研究人員希望提出一種更好的電池健康檢測方式。”
研究人員開發(fā)了一種非侵入式探測儀,可以向電池內(nèi)部發(fā)送高維電脈沖并測試其反應(yīng),從而提供一系列電池健康“生物標記”。這種方法對電池很溫和,不會導(dǎo)致電池進一步退化。電池中發(fā)出的電子信號可用于描述電池狀態(tài),然后輸入到機器學習算法中。根據(jù)電池充電的速度,以及汽車下一次上路時的速度,該算法能夠預(yù)測電池在下一次充放電循環(huán)中的反應(yīng)。對88塊商業(yè)電池進行的測試表明,該算法不需要以前的任何電池使用信息,就可以做出準確的預(yù)測。
這項實驗重點關(guān)注可充電電池中廣泛使用的鈷酸鋰電芯(LCO)。但是,該方法適用于當今電動汽車中使用的不同類型電池化學物質(zhì)。Lee表示:“無論是制造商、終端用戶還是回收商,這種方法可以釋放不同供應(yīng)鏈環(huán)節(jié)的價值。通過預(yù)測性方法了解電池的健康狀況,而不僅僅是一個數(shù)字。這樣可以減少新型電池的開發(fā)時間,因為能夠預(yù)測其在不同操作條件下的降解狀態(tài)。”
研究人員表示,除了制造商和駕駛員,這種方法也可能對運營大量電動汽車的企業(yè)有幫助,比如物流公司。Lee表示:“這種框架可以幫助很多公司優(yōu)化車輛使用方式,以提高車隊的整體電池壽命,具有很大的潛力。”
目前,研究人員正在與電池制造商合作,加快開發(fā)更安全、更持久的下一代電池。另外,還在探討如何利用該框架來開發(fā)最佳的快速充電協(xié)議,以減少電動汽車充電時間,而不造成退化。
原標題: 劍橋大學通過機器學習算法預(yù)測EV電池狀態(tài)