准确预测锂电池的使用寿命，是电气设备正常运行的关键。但由于容量非线性衰减和不确定的运行环境，这仍然面临挑战。据外媒报道，中国科学院大连化学物理研究所和西安交通大学的研究人员设计出创新深度学习模型。这种双流视觉转换器（dual stream-vision transformer）具有高效自注意力机制（DS-ViT-ESA），可用于预测目标电池的当前循环寿命（CCL）和剩余使用寿命（RUL）。
（图片来源：大连化物所）
研究人员利用少量充电循环数据来开发深度学习模型。该模型采用具有双流框架和高效自注意力机制的视觉转换器结构，来捕获和整合跨多个时间尺度的隐藏特征。
该模型能够精确预测电池的CCL和RUL。仅基于15个充电循环数据点，其RUL和CCL预测误差分别仅为5.40%和4.64%。此外，即使根据训练数据集中未包含的充电策略进行测试，该模型也可保持较低的预测误差，从而证明了其零样本学习泛化能力。
该电池寿命预测模型也是第一代电池数字大脑PBSRD Digit的关键组成部分。该系统集成了这种算法，可以明显提升准确度。目前，该电池数字大脑（Battery Digital Brain）系统可用作大规模商用存储和电动汽车的核心能源管理系统，能够部署在云服务器和客户端嵌入式设备上。
该团队表示，这一电池寿命预测模型有效平衡了预测精度和计算成本，从而提升电池数字大脑在寿命估算方面的应用价值。研究人员计划，使用模型蒸馏、剪枝等技术来进一步优化模型，以提高系统的稳健性和资源利用率。
