剑桥大学通过机器学习算法预测EV电池状态

据外媒报道，研究人员开发了一种机器学习算法，可以预测不同的驾驶模式如何影响电池性能，帮助减少电动汽车的充电时间并延长电池寿命，从而提高安全性和可靠性。

（图片来源：剑桥大学）

剑桥大学（University of Cambridge）的研究人员表示，这种算法有助于驾驶员、制造商和行业充分利用电池，为电动汽车提供动力。通过提示路线、驾驶模式，将电池退化程度和充电时间降至最低。

该团队开发了一种非侵入式探测方法，以全面了解电池健康状况，然后将这些结果输入机器学习算法。该算法能够预测不同的驾驶模式将如何影响电池的健康状况。如果进行商业化开发，该算法可用于向驾驶员推荐最短行驶时间路线，或者推荐最快的充电方式，而不会损坏电池。

无论是智能手机还是汽车，电池的健康状况远比屏幕上的单个数字复杂得多。剑桥卡文迪什实验室（Cambridge's Cavendish Laboratory）的Penelope Jones表示：“如同人类的健康，电池健康是一个多维度问题，有很多种退化方式。大多数监测电池健康状况的方法都基于相同的电池使用方式。然而，在现实生活中，并不是如此使用电池的。如果用手机观看电视节目，电量消耗速度会比用手机发信息快得多。电动汽车也一样，具体的驾驶方式会影响电池的退化程度。”

这项研究的负责人Dr. Alpha Lee表示：“大多数人都会在手机电池没法用之前换掉手机，但是汽车中的电池需要使用5年、10年，甚至更长时间。在这段时间内，电池容量会发生很大的变化。因此，研究人员希望提出一种更好的电池健康检测方式。”

研究人员开发了一种非侵入式探测仪，可以向电池内部发送高维电脉冲并测试其反应，从而提供一系列电池健康“生物标记”。这种方法对电池很温和，不会导致电池进一步退化。电池中发出的电子信号可用于描述电池状态，然后输入到机器学习算法中。根据电池充电的速度，以及汽车下一次上路时的速度，该算法能够预测电池在下一次充放电循环中的反应。对88块商业电池进行的测试表明，该算法不需要以前的任何电池使用信息，就可以做出准确的预测。

这项实验重点关注可充电电池中广泛使用的钴酸锂电芯（LCO）。但是，该方法适用于当今电动汽车中使用的不同类型电池化学物质。Lee表示：“无论是制造商、终端用户还是回收商，这种方法可以释放不同供应链环节的价值。通过预测性方法了解电池的健康状况，而不仅仅是一个数字。这样可以减少新型电池的开发时间，因为能够预测其在不同操作条件下的降解状态。”

研究人员表示，除了制造商和驾驶员，这种方法也可能对运营大量电动汽车的企业有帮助，比如物流公司。Lee表示：“这种框架可以帮助很多公司优化车辆使用方式，以提高车队的整体电池寿命，具有很大的潜力。”

目前，研究人员正在与电池制造商合作，加快开发更安全、更持久的下一代电池。另外，还在探讨如何利用该框架来开发最佳的快速充电协议，以减少电动汽车充电时间，而不造成退化。