编译 / 刘梦婷
近日，剑桥大学的研究人员开发了一种机器学习算法，可以通过预测不同的驾驶模式对电池性能的影响，帮助电动车减少充电时间，延长电池寿命，提高安全性和可靠性。研究结果发表在《自然通讯》（Nature Communications）杂志上。
该团队开发了一种非侵入式方法来检测电池，并获得电池整体健康状况。然后，将这些结果输入机器学习算法，该算法可以预测不同驾驶模式将如何影响电池未来的健康状况。
研究人员表示，该算法可以通过建议路线和驾驶模式，最大限度地减少电池退化和充电时间，来充分利用电动汽车的电池。
如果将其用于商业化开发，该算法可以用于推荐路线，使驾驶员在最短时间内到达目的地，而不会损坏电池；或者在不损坏电池的情况下推荐最快的充电方式。
无论是智能手机还是汽车，电池的健康状况远比屏幕上的数字复杂得多。来自剑桥卡文迪许实验室的第一作者佩内洛普·琼斯（Penelope Jones）说:「电池健康和人类健康一样，是一个多维度问题，它有多种退化方式。」
「大多数监测电池健康状况的方法都假设电池总是以相同的方式使用。但在现实生活中，我们并不是这样使用电池的。如果我用手机播放电视节目，电量消耗速度会比发信息快得多。电动汽车也一样，你的驾驶方式会影响电池的退化程度。」
领导这项研究的阿尔法·李（Alpha Lee）博士说：「我们大多数人会在电池退化到无法使用之前更换手机，但对于汽车来说，电池需要使用五年、十年或更长时间。电池容量在这段时间内会发生巨大变化，所以我们希望找到一种更好的方法来检查电池的健康状况。」
研究人员开发了一种非侵入式探头，向电池发送高维电脉冲并测量反应，从而提供一系列电池健康的「生物标志」。这种方法对电池温和，不会导致电池进一步退化。
电池发出的电信号会被转换成电池状态的描述，然后输入到机器学习算法中。该算法能够预测电池在下一个充放电循环中会如何反应，这取决于电池充电的速度和汽车下次上路时的行驶速度。
对88个商用电池的测试表明，该算法不需要任何关于电池先前使用情况的信息来进行准确预测。
这项实验的重点是钴酸锂(LCO)电池，这种电池广泛用于可充电电池，但该方法适用于当今电动汽车使用的不同类型的电池化学物质。
李说:「该方法在供应链的许多环节都有应用价值，无论是制造商、终端用户还是回收商，因为它允许我们获知电池的健康状况，而不仅仅是一个数字，而且它具有预测性。这可以减少开发新型电池的时间，因为我们可以预测它们在不同使用条件下会如何退化。」
研究人员表示，除了制造商和驾驶员，他们的方法还可用于运营大型电动汽车车队的企业，比如物流公司。李说:「我们开发的框架可以帮助公司优化车辆使用方式，以提高车队的整体电池寿命。这样的框架有很大的潜力。」
琼斯表示:「这是一个振奋人心的框架，因为它可以解决当今电池领域的许多挑战。现在是投身电池研究领域的大好时机，电池研究对摆脱化石燃料的依赖和应对气候变化非常重要。」
研究人员目前正与电池制造商合作，加快开发更安全、更持久的新一代电池。他们还在探索如何利用该框架来开发最佳快速充电协议，以减少电动汽车充电时间，而不会导致性能下降。
原文链接：
https://techxplore.com/news/2022-08-machine-algorithm-electric-vehicle-batteries.html
