透過最少資料，新的機器學習模型能預測電池的電量和健康狀況
概述
鋰離子電池是我們喜愛的許多裝置（如手機和膝上型電腦）的主要電源，隨著電動汽車逐步取代汽油車，鋰離子電池的影響力將繼續擴大。使用行動式電源需要優質的安全性和維護功能。卡內基梅隆大學和德克薩斯大學奧斯汀分校的研究團隊設計了一種電池管理系統，用於對電池健康進行關鍵診斷，以便駕駛人能夠做出明智的決策。該模型關注兩個關鍵的診斷指標：電池充電狀態和電池健康狀態。
技術細節
這個基於機器學習的電池管理系統只需要最少資料——只需要電池充電曲線的百分之五——就可以生成電池充電預測，其誤差率只有百分之二。該系統的資料收集也更加簡單，只需要約 15 分鐘的充電時間來計算電池充電曲線和確保電池健康狀態。這些訊息甚至可以以增量方式收集，即使充電過程中斷，也不會破壞正在進行的分析。該模型已成功應用於一種完全不同的陽極材料，並且隨著版本的更新，將不再依賴於大量資料，而是將物理元件納入電池充電曲線的計算中。
意義與展望
這個研究的獨特之處在於，這個基於機器學習的電池管理系統可以適應不同的陽極材料，這對於越來越多的製造商使用其他材料製造電池來說是非常重要的。然而雖然鋰鈷酸鋰被視為黃金標準已經使用了幾十年，但其價格也相對較高。為了應對日益普及的電動車趨勢，生產商正在製造更多由其他材料製造的電池，因此擁有一個能夠適應不同材料的系統是合理且實用的。
此外準確評估電池的健康狀態對於解決新型電池材料在安全方面的擔憂也非常重要，因為這些材料的長壽命和耐久性並沒有得到廣泛的研究，然而它們可能成為越來越多的車輛的首選電源。真實世界中正在使用的電動汽車電池的資料是這個研究領域未來最有用的資源之一。
結論
透過使用最少資料，這個新的機器學習模型能夠準確預測電池的充電量和健康狀態，對於行動式電源的使用者來說具有非常實用的價值。這將有助於駕駛人在短期內判斷電池是否有足夠的電量到達目的地，同時也能根據電池相對於新電池的充電能力來決定是否需要更換電池。未來，將結合物理元件和機器學習模型，以更準確預測電池的充電曲線，從而改進電池管理系統的效能。這項研究還可以應用於不同材料的電池，提高電動車的維護效率。
原文連結：https://techxplore.com/news/2023-08-portable-power-machine-battery-health.html
