2023-04-06 | 울산=장지승 기자

UNIST研究团队开发锂离子电池健康状态诊断模型

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

随着使用电池的电子设备日益增多,有关电池健康状态诊断模型的研究正积极展开。近期,一种可适用于锂离子电池三种正极材料的电池健康状态诊断模型问世,引发关注。

UNIST(蔚山科学技术院)能源化学工程系金东赫、崔允锡教授及碳中和研究生院林汉权教授团队6日表示,已开展有关“锂离子电池健康状态诊断模型”的研究。

研究团队基于当前研究活跃的人工智能领域深度学习模型,开发出“用于锂离子电池评估的基于深度学习的图形化方法(D-GELS)”模型。

该模型将电压、电流、温度数据转换为RGB值以生成图像。该模型的特点是可适用于LFP(锂·磷·铁)电池、NCA(镍·钴·铝)电池、NMC(镍·钴)电池等。

研究团队采用均方根误差(RMSE)值作为衡量D-GELS预测的电池健康状态值精度的指标。该值确认为0.0088。此外,使用三种正极材料时,均方根误差值分别为0.0081(LFP)、0.012(NCA)、0.0097(NMC)。与既有研究中所用模型得到的0.014和0.022相比,精度更高。

此外,利用D-GELS模型,可将部分充放电导致缺失的数据复原为完整充放电数据,从而诊断电池健康状态。研究团队分别将缺失12.5%、25%、50%、75%的充放电数据复原为原有充放电数据并诊断健康状态。实验得到的均方根误差值分别为0.030、0.044、0.046、0.18。尽管这是首次利用部分充放电数据诊断电池健康状态的研究成果,仍确认了较高的精度。

本次研究确认,缺失的充放电数据规模越大,诊断精度越低。此外还确认,当初期放电数据缺失时,均方根误差值呈上升趋势。由此可以确认,在诊断锂离子电池健康状态时,初期放电数据的影响较大。

第一作者、UNIST能源化学工程系硕博连读研究员朴瑞静表示:“我们将具有时间序列特性的锂离子电池充放电数据像图像那样空间化,以训练深度学习模型”,“本研究提出了电池诊断的新方法,是一种不受充放电条件限制、可通用的模型”。

共同第一作者、UNIST能源化学工程系李贤俊博士表示:“如果能够利用部分充放电数据诊断电池,今后在废旧电池回收利用前进行诊断时,将可节省大量时间与成本”,“本研究为今后在多个领域扩大应用提供了基础”。

本次研究由韩国产业通商资源部出资,获韩国产业技术评价管理院、技术创新项目及需求企业定制型高功率蓄电器(超级电容器)性能提升技术开发项目支持,并由政府(防卫事业厅)出资,获国防科学研究所支持完成。研究成果发表于国际学术期刊《Materials Horizons》2月刊。

阅读韩文原文