作为现代生活中不可或缺的能源载体，电池的重要性不言而喻。从清晨唤醒我们的闹钟，到随身携带的手机、平板电脑等智能设备，无一不依赖于电池提供的稳定电力。此外，随着科技的发展，电动汽车、无人机等新兴领域也广泛应用了各类高性能电池，推动了绿色出行和智能科技的进步。因此，电池不仅极大地便利了我们的日常生活，还促进了科技的飞跃与社会的可持续发展。

然而，随着电池使用时间的增长，其容量会逐渐衰减，导致供电时间缩短，影响设备的正常功能。如果能及时检测电池寿命，用户就能在电池性能明显下降前采取相应措施，如更换新电池或优化用电习惯，从而避免因电池问题导致的设备故障或数据丢失，延长电池整体使用寿命。因此，检测电池寿命不仅是维护个人设备稳定的需要，也是推动能源高效利用、促进环保的重要措施。

近日，中国科学院大连化学物理研究所研究员陈忠伟、副研究员毛治宇团队，联合西安交通大学冯江涛教授，在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型，有效地解决了传统方法对大量充电测试数据的依赖，为电池实时寿命预估提供了新的思路，实现了锂电池寿命的端到端评估。同时，该模型也作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。相关成果发表在《电气电子工程师学会交通电气化学报》上。

深度学习技术应用于电池寿命预测。受访者供图

难以预测的电池寿命

电池的循环寿命是指电池在规定的充放电条件下，经历多次完全充放电循环后，电池的容量或性能下降到初始值的某一规定百分比，所能经历的充放电次数。通常，以电池容量衰减到初始值的80%作为循环寿命的“终点”。

比如每个人都会用到的手机，它就像是一辆装备精良的赛车，而电池则是这辆赛车的“油箱”和“引擎”的结合体。新车刚到手时，电池就像是一个刚加满高级燃油、动力澎湃的引擎，能够轻松驱动赛车在数字世界的赛道上飞驰，无论是流畅播放高清视频、还是快速处理多任务，都显得游刃有余。然而，随着使用时间的增长，电池的“油箱”逐渐变小，其内部的电化学反应开始放缓，就像引擎逐渐失去了往日的活力。假如一部手机的电池循环寿命是500次。这就意味着，如果你每天把手机电量完全用完再充满一次，那么大约500天后，你会感觉到你的手机电量没有以前那么耐用了，因为电池的循环寿命到了。

然而，由于电池容量的退化是一个受多种因素影响的动态过程，包括充放电循环次数、充放电深度、环境温度、电池老化等，这些因素之间相互作用，使得电池寿命的预测变得尤为复杂。

此前，电池的寿命预测都在实验室内进行。比如让电池加速循环，在高温45℃，高倍率运行，以此推断它在实际应用场景中的使用寿命。但是不同的应用场景和运行条件会对锂电池的寿命产生显著影响，面临温度波动和长期静置等挑战，无法实现对电池的精准预测。

众多团队正积极投身于人工智能领域的探索中。然而，科技的现有发展水平为人工智能的应用设下了一定界限，导致其无法全面覆盖所有领域。比如在汽车通信技术这一高度复杂的领域内，其背后的计算量浩如烟海，无论是借助机器学习算法进行深度分析，还是运用物理模型进行精准模拟，都亟需庞大的计算资源作为支撑。

“遗憾的是，当前的人工智能技术及其学习深度，加之有限的人力资源，还未能完全满足对电池寿命进行精确检测的需求。”毛治宇阐述道，“正是基于这一现状，我们萌生了一个设想——设计一个能够直接且高效地检测电池寿命的创新模型。这一模型将致力于突破现有技术的局限，为电池健康管理提供更为可靠和智能的解决方案。”

AI模型让电池“透视”

2017年，毛治宇还在加拿大滑铁卢大学读博，陈忠伟是他这个时候的导师。当时的人工智能刚刚起步，他们想试试，能不能解决检测电池寿命这一难题呢？

“电池包括正极、负极、隔膜、电极液等等，实际上是一个复杂的电化学系统。但是那个时候的模型还停留在简单的神经网络学习，人工智能检测实际上刚刚开始，我们就用自己的电池尝试测试，将电池老化的问题纳入进去，最终检测出来的寿命与实际寿命相比，精度有了很大的提高。”毛治宇回忆起当初第一次尝试，提到了电池老化的问题。

这次初步尝试开启了毛治宇在人工智能应用于电池智能管理方向的科研旅程，随后经过毕业归国工作，2022年，毛治宇又加入了陈忠伟的团队。

陈忠伟团队内有一个方向就是智能电池，包括“AI FOR SCIENCE（人工智能应用于科学） & AI FOR ENGINEERING（人工智能应用于工程），毛治宇想在这里圆梦。而目前科技的发展，已经延伸出了多个人工智能的计算模型。他们“顺水推舟”结合了多个模型，实现了优势互补。

“我们利用了Vision Transformer结构。它可以进行并行计算，同时处理多任务。比如一块图像，我们可以切割成不同的小块，然后每个小块都可以独立处理，这样的话它的局部信息跟整体信息就可以得到有效整合，泛化能力比较强，可以扩展到其他的领域。”论文的第一作者、大连化物所博士后刘云鹏介绍道，“还有一个空间流加时间流的双流框架去提取多维时间尺度信息，同时借助高效自注意力机制去减少计算复杂度。我们就是结合了这两种算法，并且根据不同的优势将他们结合。”

本研究提出了一种基于少量充电周期数据的深度学习模型，该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制，捕捉并融合多时间尺度隐藏特征，实现对电池当前循环寿命和剩余使用寿命的准确预测。该模型在仅使用15个充电周期数据的情况下，能够将上述两种预测误差分别控制在5.40%和4.64%以内。此外，在面对训练数据集中未出现的充电策略时，仍能保持较低的预测误差，证明了其zero-shot泛化能力。

打造“电池数字大脑”

同时，该电池寿命预测模型也是第一代电池数字大脑PBSRD Digit重要组成部分。通过将上述模型整合到该系统中，进一步提高了系统的准确性。目前，该电池数字大脑系统作为大规模/工商业储能和电动汽车的能量管理核心，可部署于云端服务器和客户端嵌入式设备。

“现在新能源特别是储能是热点话题，很多的厂家都想要开发全生命周期的电池智能管理系统。我们就希望能够建设一个完整的电池数字大脑，能够更好地管理电池，像一个大脑控制电池的各个方面，让电池效率更高、寿命越长，这也是我们未来的一个智能化发展方向。”毛治宇介绍道。

事实上，陈忠伟、毛治宇、刘云鹏正好是一个团队内的“师徒三代”。在团队多年的发展路径下，在电化学、电催化、人工智能方面都有着深刻的积累，从科学研究再到日常学习，都是传承和沉淀的过程，他们的目标，是打造从基础研究到关键技术开发再到产业应用示范全链条的模式，以应用为导向真正走向产业化，乃至对整个领域产生影响。

该团队一定的优势来源于其强大的工程师阵容，150余人的团队中，汇聚了超过五十位经验丰富的工程师，他们来自不同的技术背景，不乏在大数据架构与算法领域深耕多年的专家，他们擅长将前沿的算法研究转化为高效、稳定的系统架构，确保技术成果能够顺利落地。

正是这种“研究+开发”深度融合的模式，使得团队能够跨越传统界限，促进不同领域知识与技术的交叉融合。工程师们不仅能够独立承担项目研发的重任，还能与科研人员紧密合作，将最新的研究成果迅速转化为产品功能，从而加速技术创新与产业升级的步伐。

通过这种高效的协作机制，团队不仅能够在电池寿命检测等特定领域取得突破，还能够灵活应对各种复杂挑战，推动多个项目并行发展，最终实现多元化、全方位的技术创新目标。

“未来，我们计划利用模型提炼等技术进一步优化模型，以提高资源利用率，打造真正的数字大脑。”陈忠伟说。

相关论文信息：https://doi.org/10.1109/TTE.2024.3434553