Abordagem de aprendizado profundo para previsão da vida útil da bateria de íons de lítio por meio do transformador de visão de fluxo duplo #ÚltimasNotícias

Prever a vida útil da bateria é difícil devido à natureza não linear da degradação da capacidade e à incerteza das condições operacionais. Como a previsão da vida útil da bateria é vital para a confiabilidade e segurança de sistemas como veículos elétricos e armazenamento de energia, há uma necessidade crescente de métodos avançados para fornecer estimativas precisas tanto da vida útil do ciclo atual (CCL) quanto da vida útil restante (RUL).

Pesquisadores da Academia Chinesa de Ciências, Universidade de Waterloo e Universidade Xi’an Jiaotong abordaram o desafio crítico de prever com precisão a vida útil das baterias de lítio, o que é essencial para garantir o funcionamento adequado do equipamento elétrico. As abordagens convencionais para a previsão da vida útil da bateria geralmente dependem de grandes conjuntos de dados e algoritmos complexos, que são computacionalmente intensivos e carecem de flexibilidade em diferentes condições operacionais. Esses métodos tendem a ter dificuldades com a generalização quando aplicados a baterias usando diferentes estratégias de carregamento, tornando-os menos práticos para aplicações do mundo real.

Os pesquisadores propuseram um novo modelo de aprendizado profundo, o Dual Stream-Vision Transformer with Efficient Self-Attention Mechanism (DS-ViT-ESA). Este novo modelo oferece uma abordagem inovadora usando uma arquitetura de transformador de visão combinada com uma estrutura de fluxo duplo e autoatenção eficiente. O modelo foi projetado para prever tanto CCL quanto RUL de baterias de lítio usando dados mínimos de ciclo de carga, mantendo alta precisão em várias condições, incluindo estratégias de carga não vistas.

O modelo DS-ViT-ESA alavanca uma estrutura de transformador de visão para capturar características complexas e ocultas da degradação da bateria em várias escalas de tempo. A estrutura de fluxo duplo do modelo processa os dados do ciclo de carga de forma mais eficaz, separando a entrada em dois fluxos. Isso permite uma melhor compreensão do desempenho da bateria em diferentes condições. O mecanismo de autoatenção eficiente aprimora ainda mais a capacidade do modelo de se concentrar em características essenciais dentro dos dados, minimizando o custo computacional.

O modelo requer apenas 15 pontos de dados do ciclo de carga para atingir erros de previsão de apenas 5,40% para RUL e 4,64% para CCL. Além disso, demonstrou capacidades de generalização zero-shot, o que mostra que ele poderia prever com precisão a vida útil de baterias submetidas a estratégias de carga que não faziam parte do conjunto de dados de treinamento. Essa capacidade o diferencia dos métodos convencionais, que muitas vezes têm dificuldade em generalizar em diferentes condições operacionais. A integração do modelo no sistema Battery Digital Brain, chamado PBSRD Digit, aprimorou a precisão geral e a eficiência da estimativa da vida útil da bateria em sistemas de armazenamento comercial de grande escala e veículos elétricos.

Concluindo, o estudo fornece uma solução para o problema de prever com precisão a vida útil da bateria de lítio ao apresentar o modelo DS-ViT-ESA, que equilibra a precisão da previsão e o custo computacional. O método proposto é inovador ao usar uma estrutura de transformador de visão, estrutura de fluxo duplo e mecanismo de autoatenção eficiente, permitindo previsões altamente precisas com dados mínimos. Ao oferecer generalização aprimorada e taxas de erro mais baixas, o modelo demonstra potencial significativo para aplicações práticas em sistemas de gerenciamento de energia.

Confira o Papel. Todo o crédito por esta pesquisa vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir em Twitter e junte-se a nós Canal Telegram e LinkedInGrou. Se você gosta do nosso trabalho, você vai adorar o nosso boletim informativo..

Não se esqueça de se juntar a nós Mais de 50k ML SubReddit

⏩ ⏩ WEBINAR GRATUITO DE IA: ‘SAM 2 para vídeo: como fazer ajustes finos em seus dados’ (quarta-feira, 25 de setembro, 4h00 – 4h45 EST)

Pragati Jhunjhunwala é uma estagiária de consultoria na MarktechPost. Ela está atualmente cursando B.Tech no Indian Institute of Technology (IIT), Kharagpur. Ela é uma entusiasta de tecnologia e tem um grande interesse no escopo de software e aplicações de ciência de dados. Ela está sempre lendo sobre os desenvolvimentos em diferentes campos de IA e ML.