Kỹ thuật học máy cải thiện khả năng phân tích và dự đoán thời lượng pin lithium-ion

Kỹ thuật học máy cải thiện khả năng phân tích và dự đoán thời lượng pin lithium-ion

    Kỹ thuật học máy cải thiện khả năng phân tích và dự đoán thời lượng pin lithium-ion

    Trừu tượng đồ họa. Nguồn: Năng lượng và AI (2020). DOI: 10.1016/j.egyai.2020.100006

    Machine learning technique improves analysis and prediction of lithium-ion battery life


    Các nhà nghiên cứu ở Scotland đã phát triển một kỹ thuật máy học để cải thiện khả năng phân tích và dự đoán thời lượng pin lithium-ion. Gonçalo dos Reis và các đồng nghiệp tại Đại học Edinburgh và Đại học Heriot-Watt, Edinburgh, Vương quốc Anh, báo cáo quá trình phát triển và ứng dụng quy trình của họ trong một bài báo trên tạp chí truy cập mở Năng lượng và Trí tuệ nhân tạo. Khả năng dự đoán quá trình suy giảm pin sớm trong vòng đời của nó có thể cải thiện việc quản lý, thử nghiệm và thiết kế pin.

    Pin lithium-ion là nguồn năng lượng phổ biến nhất cho nhiều loại thiết bị điện tử cá nhân bao gồm điện thoại di động và máy tính xách tay. Công suất điện của chúng suy giảm theo thời gian, nhưng không theo cách tuyến tính. Thay vào đó, sau một thời gian dài suy giảm chậm và gần như tuyến tính, công suất có xu hướng bắt đầu giảm trong một tình trạng suy giảm phi tuyến tính ngày càng tăng. Khi được vẽ dưới dạng đồ thị dung lượng theo chu kỳ sử dụng, phần uốn cong rõ ràng nhất trong đường cong suy giảm được gọi là điểm đầu gối.

    Nhóm Edinburgh đã xác định một quy trình dự đoán đường cong xuống cấp và điểm đầu gối ở giai đoạn đầu mà không cần phải theo dõi sự sụt giảm công suất trong toàn vòng đời. Điều này có thể hỗ trợ trong việc phát triển các loại pin mới và theo dõi tình trạng của pin.

    Một khía cạnh quan trọng của phương pháp mới là xác định một điểm sớm hơn trong đường cong năng lực, mà các nhà nghiên cứu gọi là điểm đầu gối. Đây là giai đoạn suy giảm ban đầu mới được xác định về điểm đầu gối. Thuật toán của các nhà nghiên cứu, được phát triển bằng cách sử dụng máy học, có thể sử dụng điểm khởi động đầu gối để dự đoán điểm đầu gối và cũng là điểm kết thúc thời lượng pin hiệu quả. Thuật toán cho phép mỗi tính năng này xác định thời gian của các tính năng khác.

    Quản lý pin tốt hơn, được hỗ trợ bởi phương pháp mới này, có thể bao gồm ưu tiên và tối ưu hóa năng lượng có sẵn cho các ứng dụng chính cũng như tối ưu hóa chu kỳ sạc lại.

    Zalo
    Hotline