Автор: Мейкай
Монтажер: Ли Баочжу, Саньян
Команда доцента Ван Цзяюй из Пуюаньского колледжа технологий будущего Шанхайского университета Цзяо Тонг предложила технологию полуконтролируемого обучения, называемую частичным байесовским совместным обучением, которая использует ограниченные данные для прогнозирования срока службы батареи и повышает точность прогнозирования на 20%.
Литиевые батареи обладают преимуществами высокой плотности энергии, быстрой скорости зарядки и разрядки, а также длительного срока службы. Они широко используются в энергосистемах хранения энергии, таких как гидравлические, тепловые, ветровые и солнечные электростанции, а также в электроинструментах. электромобили, военная техника, аэрокосмическая и многие другие области, играющие жизненно важную роль в современном обществе.
Однако при широкомасштабном использовании литиевых батарей постепенно проявилась их потенциальная опасность: они обладают плохой устойчивостью к перезарядке и разрядке и могут легко вызвать пожар или даже взрыв при перезарядке или коротком замыкании. В последние годы самовозгорание электрических велосипедов и транспортных средств на новых источниках энергии часто происходило из-за нерегулярной зарядки или старения аккумуляторов.
для Для обеспечения безопасной и устойчивой работы аккумуляторной системы,Люди нуждаться Точный прогноз срока службы литиевой батареи,эффективно управлять состоянием своего здоровья。Традиционные методы прогнозирования, основанные на физике и полуэмпирических знаниях, подвержены ошибкам и имеют очень ограниченную точность.С развитием технологий искусственного интеллекта,Методы прогнозирования на основе данных повысили точность,Однако точность ее модели часто ограничивается нехваткой данных о марке проживания.
В ответ на вышеуказанные проблемы команда доцента Ван Цзяюй из Пуюаньского колледжа технологий будущего Шанхайского университета Цзяо Тонг опубликовала статью в авторитетном международном журнале. Joule Опубликовано под названием «Полуконтролируемый learning for explainable few-shot battery lifetime prediction」исследоватьбумага,Предложил название части Байесовское. совместное обучение (partial Bayesian co-training, PBCT) Технология полуконтролируемого обучения,В полной мере использовать недорогие и многочисленные материалы без маркировки, производимые в течение всего жизненного цикла литиевых батарей.данные,Извлекая скрытую информацию,Углубить понимание базовой модели данных.,Это значительно повышает точность прогнозирования срока службы батареи.
По сравнению с существующими методами PBCT не только значительно повышает точность прогнозирования жизни, но и практически не требует дополнительных затрат на сбор данных.
Основные моменты исследования:
* Прогнозирование срока службы батареи на основе ограниченных данных посредством полуконтролируемого обучения.
* Метод полуконтролируемого обучения Байесовского совместного обучения (PBCT) хорошо работает как по точности, так и по интерпретируемости.
* Значительное снижение экономических затрат за счет уменьшения необходимости в маркированных данных.
Бумажный адрес: https://doi.org/10.1016/j.joule.2024.02.020
Подпишитесь на официальный аккаунт и ответьте «Ресурс литиевой батареи» в фоновом режиме, чтобы получить полный PDF-файл.
Набор данных, используемый в этом исследовании, представляет собой набор данных из открытого источника, предоставленный Северсоном и др., который содержит 124 элемента цилиндрических элементов LiFePO4/графита номинальной емкостью 1,1 Ач A123 APR18650M1A со средним сроком службы 806 циклов (диапазон от 150 до 2300 циклов). и т. д.).
Старение по разным календарям (calendar aging) и протоколов быстрой зарядки, набор данных, используемый в этом исследовании, разделен на 3 поднабор данных, количество батарей 41 (набор данных 1), 43 (набор данных 2) и 40 (набор данных 3),Каждыйиндивидуальныйданные集都包含基于领域知识 (domain knowledge) извлеченный 20 входные характеристики.
Архитектура метода PBCT показана на рисунке ниже.,Среди них были созданы две индивидуальные Модели.,то есть модель частичного представления (partial-view model) и полноформатная модель (complete-view model)。
Принципиальная схема метода PBCT
Так как полный вид Модель учитывает все характеристики,склонен к переоснащению,и может привести к снижению точности прогноза,Поэтому исследователи создали модель частичного представления для оценки псевдометок на немаркированных данных на основе подмножества, содержащего только подмножество важных входных функций.
Затем, в соответствии с принципом максимальной апостериорной оптимизации, он снова обучается совместно с моделью полного представления, так что модель частичного представления действует как руководство, помогающее получить высокопроизводительную модель полного представления для окончательного использования.
Подробности обеих моделей
Это позволяет модели полного представления получать полезную информацию из размеченных и неразмеченных данных, что позволяет делать более надежные прогнозы.
В эксперименте по оценке производительности исследователи использовали набор данных 1, набор данных 2 и набор данных 3 для проведения экспериментов соответственно. Каждый набор экспериментов был дополнительно разделен на офлайн- и онлайн-сценарии, и использовалась среднеквадратическая ошибка (RMSE) тестовых данных. оценить точность обучающей модели. Поскольку в экспериментальных условиях объем помеченных обучающих данных невелик, исследователи применили классические методы регрессии для обработки случая с небольшим количеством выборок, такие как Лассо и Эластичная сеть, в качестве базовых показателей.
Результаты эксперимента, соответствующие автономному сценарию, следующие: A к C показано,Предлагаемый метод PBCT превосходит базовые методы с учетом разных объемов размеченных обучающих данных.При маркировке обученияданныеколичестводля 10 Когда ПБКТ в наборе данных 1 к 3 По сравнению с указанным выше соответственно Lasso Отличная производительность 9.8%、21.9% и 18.3%。
Экспериментальные результаты для оценки точности моделирования в офлайн-сценариях
Результаты эксперимента в онлайн-сценарии следующие: D к F Как показано, PBCT метод в наборе данных 2 и 3 превосходит базовый метод во всех случаях, в наборе данных 1 Когда количество помеченных обучающих выборок недостаточно, в большинстве случаев этот метод лучше, чем базовый метод.
Экспериментальные результаты для оценки точности моделирования в онлайн-сценариях
В эксперименте экономического анализа, чтобы количественно продемонстрировать предложенное PBCT Преимущества методов прогнозирования срока службы батареи,Исследователи на основе результатов экспериментов по офлайн-сценарию,Были проанализированы время и стоимость отбора проб, необходимые для каждого метода.
Исследователи заинтересованы в 200 Была оценена медианная стоимость цикла повторных экспериментов, и результаты показали, что для достижения той же точности PBCT Метод нуждаться Менее маркированные данные обучения Низкая стоимость цикла, как показано ниже A приезжать C Показано:
Экономический анализ PBCT и метода базовой линии
Как показано на картинке D Как показано, для достижения заданной точности RMSE% 0,10 против. Lasso метод по сравнению с PBCT Требует меньших затрат на цикл. существовать dataset2 В целях достижения целевой точности RMSE% 0.10,PBCT нуждаться 7,700.5 индивидуальный циклы (когда) cycles для 7,700.5 Когда, RMSE для 0,099),в то время как Lasso 则нуждаться超过 10,537 индивидуальныйциклы (когда) cycles для 10,537 Когда, RMSE для 0.105)。
* Количество циклов cycles Это относится к тому, сколько раз аккумулятор проходит процесс полной зарядки, полной разрядки, а затем снова полной зарядки, что используется для оценки срока службы батареи. * RMSE представляет собой среднеквадратическую разность,Также называется среднеквадратичным смещением,является широко используемой мерой разницы между значениями,Чем ниже значение, тем лучше.
Поэтому применяйте только PBCT Алгоритмы можно сравнивать Lasso Способы сэкономить до 28,36.5 индивидуальный циклы, Прямо сейчас 4,685.1 долларов США, это эквивалентно использованию Lasso Общая экономическая стоимость метода 26.9%。
в целом,с существующимиметод по сравнению с PBCT Достигнута точность прогнозирования жизни, достигающая 20% улучшение практически без дополнительных затрат на сбор данных. Следовательно, при условии одинаковой точности прогнозирования, PBCT Затраты на сбор данных могут быть значительно снижены.
Кроме того, исследование показало, что включение немаркированных данных в процесс обучения помогло выявить ключевые факторы, влияющие на срок службы батареи, которые часто упускаются из виду при анализе только маркированных данных. Таким образом, ПБКТ Эта половина регулируется обучениетехнология,Эффективная и интерпретируемая оценка состояния батареи на основе данных,Открылись новые пути.
Согласно официальным сообщениям, этот результат исследования в основном исходит от исследовательской группы Института технологий будущего Пуюань и Лаборатории глубокой энергетики Шанхайского университета Цзяо Тун.
Основное направление исследований исследовательской группы — устройства и материалы для хранения энергии.、передовое производство、и его кросс-интеграция с искусственным интеллектом.приезжатьв настоящий моментдляконец,Всемирно известные академические журналы в области энергетики и материалов, такие как Science, Nature Поджурнал, Ячейка Опубликованные поджурналы и т. д. SCI бумага 80 Более одной статьи, всегда цитируемой 11,000 Остальные времена, H фактор 48. Результаты исследования были опубликованы многими известными средствами массовой информации в стране и за рубежом.
Доцент Ван Цзяюй из исследовательской группы также получил «Премию Дороти М. и Эрла С. Хоффман» Национальной докторской премии Американской вакуумной ассоциации (одну в год в мире), «Национальную стипендию для выдающихся самофинансируемых студентов». За рубежом», присужденный Китайским стипендиальным советом и ежегодным списком 2% лучших ученых мира Стэнфордского университета (2020–2022 гг.). Был членом молодежного редакционного совета журналов National Science Open, Materials Today Energy, eScience, Carbon Energy, China Chemical Express, Rare Metals и других журналов.
Помимо упомянутых выше результатов исследований, исследовательская группа продолжала усердно работать и преодолевать трудности в области литиевых батарей.
2023 Год 5 В марте команда опубликовала статью во всемирно известном журнале. Nano Letters Размещено в теме для "Самостоятельная сборка" Monolayer Inspired Stable Artificial Solid Electrolyte Interphase Design for Next-Generation Lithium Metal Текст научной работы на тему «Батареи»
Металлический литий является идеальным отрицательным электродом для литий-ионных аккумуляторов высокой энергии.,Однако его высокая реакционная способность и хрупкий интерфейс ограничивают его применение, особенно в коммерческих системах карбонатных электролитов.,Металлический литий имеет низкую производительность.,Серьезно препятствует его широкому применению в аккумуляторных батареях.。Исследование предлагает простую, но эффективную стратегию погружения металлического лития в 3-меркаптопропилметилдиметоксисилан (3MPDMS) в растворителе, образуя однородный слой, богатый неорганическими компонентами. SEI слой, тем самым достигая равномерных циклов осаждения/очистки металлического лития при низком перенапряжении в карбонатных электролитах. 500 раз и более.
2023 Год 6 луна,Команда также опубликовала последние результаты своей работы по сверхбыстрой переработке катодных материалов в области переработки литий-ионных аккумуляторов.。Разработанный ею метод сверхбыстрого ремонта может быть использован в 8s Эффективный непосредственный ремонт отработанных катодных материалов аккумуляторов внутри (LCO), электрохимические характеристики отремонтированного катодного материала эквивалентны характеристикам вновь приготовленного катодного материала.Это исследование по ремонту катодных материалов литий-ионных аккумуляторов.,Разработка возобновляемых источников энергии и повторное использование ресурсов литий-ионных батарей обеспечивают эффективный и экономически выгодный метод.
Новый сверхбыстрый метод ремонта для быстрого ремонта катодных материалов
Под руководством ведущей команды,Передовые технологии, представленные искусственным интеллектом для,В будущем мы также продолжим углублять наши усилия в области энергетики и материалов.,Содействие устойчивому развитию отрасли.
Ссылки: 1.https://www.cell.com/joule/abstract/S2542-4351(24)00103-X 2.https://news.sjtu.edu.cn/jdzh/20240326/195130.html 3.https://www.x-mol.com/groups/deepenergy/news/44033 4.https://newsletter.x-mol.com/groups/deepenergy/news/46631