随着科技的发展，对于电气设备来说，电池寿命的准确预测变得愈发重要。电池的容量退化过程是一个复杂的非线性过程，而运行条件的不确定性使得这一预测变得更加困难。在2024年9月3日的报道中提到，中国科学院大连化学物理研究所联合西安交通大学在电池健康管理领域取得了重要的研究进展。这些成果已经被发表在电气电子工程师学会交通电气化学报上，DOI为10.1109/TTE.2024.3434553。
研究团队开发的新型深度学习模型，突破了传统电池寿命预测对大量充电测试数据的依赖，为电池寿命的实时评估提供了一个全新的方向。该模型不仅能够实现锂电池寿命的端到端评估，而且作为第一代电池数字大脑PBSRDDigit的核心模型之一，它对于电池智能管理提供了有效的解决方案。
这个模型通过一个基于少量充电周期数据的深度学习结构，利用双流框架下的Vision Transformer结构和高效自注意力机制，捕捉和融合不同时间尺度的重要特征。这使得模型能够准确地预测电池的当前循环寿命和剩余使用寿命。值得一提的是，即便在只使用15个充电周期的数据时，该模型能够将剩余使用寿命和当前循环寿命的预测误差分别控制在5.40%和4.64%以内，这显示了模型在预测精度上的优越性。
模型对于训练数据集中未出现过的充电策略也表现出了良好的适应性和泛化能力，能够保持较低的预测误差，这在电池健康管理领域是一个重要的突破。
研究团队将这一预测模型整合到电池数字大脑PBSRDDigit系统中，提高了系统的预测准确性。该系统不仅适用于大规模的工商业储能，还能在电动汽车中发挥关键作用，能够部署于云端服务器或客户端嵌入式设备。模型的平衡设计在确保预测精度的同时，也最大程度降低了计算资源的成本，提高了电池寿命预估的应用价值。
展望未来，团队计划通过模型蒸馏、剪枝等优化技术，进一步提高模型的鲁棒性和资源利用率，使得电池寿命预测模型在未来的应用中更加高效和可靠。
