2026-02-04 | 울산=장지승 기자

AI滤除电池噪声,只捕捉“健康信号”

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。

蔚山科学技术院(UNIST)研究团队开发出一项人工智能(AI)技术,即使电池的连接形态发生变化,也无需重新学习数据即可准确诊断寿命。

UNIST能源化学工程系金东赫、崔允锡教授团队4日表示,已开发出与电池串并联连接结构无关、均可适用的“电池健康状态(SoH)诊断AI模型”。

近期随着电动汽车与储能装置(ESS)需求激增,各种容量和形态的电池包被广泛使用。但现有AI诊断技术无法把学习单个电芯所得的模型直接应用于数十、数百个电芯连接而成的模组或电池包。因为连接方式不同会产生内阻或电压不均衡,导致数据模式发生变化,每次都需重新采集数据并再训练,十分繁琐。

研究团队利用作为ChatGPT、Gemini等生成式AI基础的“Transformer模型”的核心——“注意力算法”,解决了这一问题。

所开发的AI会从电池充放电数据中提取的62个模式中,自主筛选出不受连接方式影响、却对寿命预测高度敏感的5个核心指标。也就是说,其设计目标是过滤掉电池形态这一“噪声”,只捕捉“真实的健康信号”。

实验结果显示,仅用单体电芯数据训练的该AI模型,也能准确判断7个电芯并联组成模组的寿命。现有AI模型无法跟上电池构成变化,预测误差(RMSE)约为6.31×10⁻²,而新模型误差为1.90×10⁻²,仅为其三分之一,验证了卓越的准确度。

该技术无需复杂公式,仅凭电压、电流、温度等测量值即可诊断电池状态,实用性高。

金东赫教授表示:“我们将AI设计为自主挑选与电池连接方式无关的‘真实健康信号’,从而找到用一个AI模型诊断各种电池系统的解决方案”,“该技术有望扩展应用于电动汽车电池管理系统、大规模储能装置、退役电池性能评估与回收利用等领域”。

本次研究成果于1月15日在化学工程领域国际学术期刊《化学工程杂志》(Chemical Engineering Journal)在线刊载,研究获得韩国研究财团的支持。

阅读韩文原文