基于深度学习的系统为高效电池健康评估铺平了道路

随着电动汽车市场的持续激增，对废旧电池的评估变得越来越重要。由UNIST能源与化学工程学院的DonghyukKim教授和YunseokChoi教授领导的一个研究小组，以及UNIST碳中和研究生院的HankwonLim教授，开发了DeepSUGAR来帮助应对这一挑战。

这种基于深度学习的先进框架提供了一种新颖的方法来估计耗尽电池的健康状态(SoH)，从而提高效率并降低功耗。

该研究结果已发表在《JournalofMaterialsChemistryA》网络版上。

目前的废旧电池评估技术涉及对电池组及其各个模块的SoH进行单独评估，导致时间效率低下和功耗过高。DeepSUGAR通过利用基于图形表示技术的生成算法来解决这些挑战，从而能够根据电池组SoH估计单个模块的健康状况。

研究团队分析了14S7P电池组及其组成模块的循环曲线，训练卷积神经网络(CNN)通过空间化循环曲线来估计SoH。DeepSUGAR在包数据上进行训练，表现出出色的性能，均方根误差(RMSE)为5.31×10-3。使用模块数据进行的验证测试得出的RMSE为7.38×10-3，进一步证实了其适用性。此外，使用深度生成模型从PackSoH生成的模块循环曲线表现出卓越的性能，RMSE为8.38×10-3。

DeepSUGAR通过将模块级诊断集成到电池组级评估流程中，提供了多项关键优势，包括降低功耗、处理成本和二氧化碳排放。这项突破性技术有可能对电池健康管理产生重大影响，因为它可以诊断耗尽电池的健康状态，而不受设备类型的限制。

“我们建立了一个验证系统，可以在不拆卸电池的情况下确定废旧电池是否可回收，”DonghyukKim教授解释道。“DeepSUGAR可以对充电和放电数据进行成像，从而能够确定电池的健康状况。”

DeepSUGAR的功能不仅仅限于电池回收。通过电池组诊断来预测内部模块的健康状况，该技术有潜力优化各种应用中的电池性能，为未来绿色能源的实现做出贡献。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！