El nuevo método de aprendizaje automático predice con precisión el estado de la batería

Las baterías eléctricas son cada vez más importantes en una variedad de aplicaciones, desde la integración de fuentes de energía discontinuas con la demanda, la liberación de energía de emisión cero para el sector del transporte a través de vehículos eléctricos (EV), trenes y barcos, hasta una gama de aplicaciones electrónicas y robóticas avanzadas. .

Sin embargo, el principal desafío es la rápida degradación de las baterías junto con las condiciones de funcionamiento. Es difícil de estimar en la actualidad batería salud sin interrumpir el funcionamiento de la batería o sin pasar por un largo procedimiento de carga y descarga que requiere equipo especializado.

En un trabajo publicado recientemente por Inteligencia de la máquina de la naturaleza, científicos del grupo Smart Systems de la Universidad Heriot-Watt en Edimburgo, Reino Unido, en colaboración con el grupo CALCE de la Universidad de Maryland en los EE. UU., desarrollaron un nuevo método para estimar el estado de las baterías independientemente de las condiciones de funcionamiento y diseño de batería o química, alimentando algoritmos de inteligencia artificial (AI) con voltaje de batería sin procesar y datos operativos actuales.

Darius Roman, Ph.D. El estudiante que diseñó el marco de la IA dijo: “Hasta ahora, el avance de los modelos de degradación de la batería basados ​​en datos se ha basado en el desarrollo de algoritmos que hacen inferencias más rápido. Si bien los científicos suelen dedicar una cantidad significativa de tiempo a desarrollar modelos o algoritmos, muy pocas personas dedican tiempo a comprender el contexto de la ingeniería en el que se aplican los algoritmos. A su vez, nuestro trabajo se construye desde cero. Primero, comprendemos la degradación de la batería trabajando con el grupo CALCE de la Universidad de Maryland, donde se realizaron las pruebas de degradación de la batería. Luego nos enfocamos en los datos, donde diseñamos funciones que detectan la degradación de la batería, seleccionamos las funciones más importantes y luego implementamos técnicas de inteligencia artificial para evaluar la salud de la batería “.

Además, los científicos descubrieron que los modelos actuales basados ​​en datos para estimar el estado de la batería no tienen en cuenta la certeza del modelo. Sin embargo, a menudo es crucial para la toma de decisiones comprender cómo un modelo de IA llegó a una cierta conclusión y si se puede confiar en él. En su trabajo, la IA se propuso Modelo es capaz de cuantificar la incertidumbre en sus pronósticos para respaldar mejor las decisiones operativas.

El marco desarrollado se expande con nuevos productos químicos, incluidas las nuevas baterías de estado sólido, diseños de baterías y condiciones de funcionamiento, y tiene el potencial de desbloquear nuevas estrategias sobre cómo las baterías pueden y deben usarse.

Valentin Robu de Smart Systems Group dijo: “Las baterías son cada vez más importantes en una variedad de aplicaciones, desde la robótica hasta la integración de energías renovables. Un desafío clave en estas áreas es tener estimaciones precisas y confiables del estado de la batería. por ejemplo, un robot que opera en un entorno remoto, como el monitoreo de profundidad, donde es fundamental mantener la salud de la batería del robot. Del mismo modo, para las aplicaciones energéticas, una estimación precisa de la vida útil restante de un robot, la batería suele ser fundamental para la viabilidad económica de un proyecto ”.