研究人员训练人工智能预测电动汽车电池退化

锂离子电池已成为电动汽车兴起的关键组成部分，但对其健康和寿命的预测限制了这项技术。

虽然它们已被证明是成功的，但锂离子电池的容量会随着时间的推移而下降，而不仅仅是因为充电和放电过程中发生的老化过程——即所谓的“循环老化”。

电池在不使用时也会退化

锂离子电池单元还会因所谓的“日历老化”而退化，这种老化发生在存储过程中，或者只是在电池不使用时发生。它由三个主要因素决定：静止充电状态(SOC)、静止温度和电池静止时间的持续时间。

鉴于电动汽车的大部分寿命都将处于停放状态，因此预测电池因日历老化而导致的容量下降至关重要。它可以延长电池寿命，并为甚至可以规避这种现象的机制铺平道路。

出于这个原因，研究人员一直在使用先进的机器学习算法来准确预测日历老化。

将研究与电动汽车市场联系起来

在最近由欧盟地平线2020计划资助的一项研究中，一组科学家通过比较两种算法在广泛的商用锂离子电池化学物质上的准确性，进一步推进了这项研究。

具体来说，他们从六种电池化学成分中提取了日历老化数据：钴酸锂(LCO)、磷酸铁锂(LIP)、锰酸锂(LMO)、钛酸锂(LTO)、镍钴铝氧化物(NCA)和镍锰钴氧化物(NMC)。

这些电池在50、60和70摄氏度的温度室中使用高、中和低电压进行日历老化。

为了预测衰老，该团队研究了两种机器学习算法的效率：极限梯度提升(XGBoost)和人工神经网络(ANN)。

算法是如何工作的？

选择这两种算法是因为它们能够产生可靠的结果，但它们的操作有很大不同。

XGBoost是一种基于决策树的最先进的监督机器学习算法，广泛用于回归或分类问题。

ANN是一种人工自适应系统，它使用其基本元素（称为神经元和连接）将其全局输入​​转换为预测输出。

为了评估它们的性能，研究人员使用了平均绝对百分比误差(MAPE)指标，该指标测量预测值和测量值之间的平均误差幅度。简单来说，MAPE值越小，预测精度越高。

结果表明了什么？

算法测试表明，XGBoost可用于有效预测大多数化学物质的日历老化，且平均绝对误差极小。同时，ANN仅对LFP、LTO和NCA电池化学成分产生了令人满意的结果。

您可以在下图中查看它们的准确性：

基于MAPE值的低，比较ANN和XGB的精度。

XGB的整体卓越性能，特别是在主导汽车行业的电池化学成分（NCA、NMC、LFP）方面，表明它可以集成到EV电池应用软件中，以成功预测日历老化效应并为电动汽车电池提供更长的使用寿命。

现在还有待观察需要采取哪些步骤将研究结果转化为商业应用。