Predicción de la vida útil de las baterías de iones de litio basada en métodos impulsados por datos

Predecir la vida útil de las baterías de iones de litio (LIBs) es crucial para sus aplicaciones en vehículos eléctricos. Los métodos tradicionales de predicción están limitados por el comportamiento complejo y no lineal de las LIBs, cuyos mecanismos de degradación no se han entendido completamente. Recientemente, las técnicas de aprendizaje automático han atraído una atención creciente para aprender y predecir empíricamente el comportamiento de las baterías. En este estudio, primero generamos un conjunto de datos completo con 104 baterías comerciales de LiNi0.8Co0.15Al0.05O2/granito de la serie 18650 bajo una amplia gama de condiciones de prueba exigentes, variando sistemáticamente la temperatura ambiente, la corriente de carga/descarga y los voltajes de corte. A continuación, se construyen un modelo de regresión lineal, un modelo de red neuronal convencional (NN) y un modelo de NN convolucional para predecir la vida útil del ciclo. Los modelos basados en características extraídas por expertos logran alrededor del 35% del error de entrenamiento y el error de prueba. En comparación, el modelo basado en características extraídas por algoritmos puede lograr el 9.28% del error de entrenamiento y el 22.73% del error de prueba. Estas características ocultas extraídas por algoritmos muestran una mayor covarianza (0.88) con la vida útil de las LIBs que las características extraídas por expertos (0.71). Este estudio demuestra la capacidad de las técnicas de aprendizaje automático para capturar características ocultas en sistemas complejos y no lineales, que pueden utilizarse para predecir con precisión su vida útil.