UNIST研究团队开发锂离子电池状态诊断模型
蔚山科学技术院（UNIST）研究团队开发出了可用于诊断锂离子电池健康状态的模型。
UNIST能源化学工程系的Kim Donghyuk、Choi Yunseok教授以及碳中和研究生院的Lim Hangwon教授团队开展了关于“锂离子电池健康状态诊断模型”的研究。
研究团队基于人工智能领域的深度学习模型，开发了“用于锂离子电池评估的深度学习图像化方法”（Deep-learning-based Graphical approach to Estimation of Lithium-ion batteries SOH, D-GELS）模型。
D-GELS模型将电压、电流、温度数据转换为RGB数值并生成图像。该模型可适用于LFP（磷酸铁锂）电池、NCA（镍钴铝）电池、NMC（镍钴锰）电池等，具有较强的通用性。
在D-GELS中，研究团队采用平均平方根误差（Root Mean Square Error, RMSE）作为衡量预测电池健康状态数值精度的指标。该值为0.0088。
另外，在使用三种不同正极材料时，平均平方根误差分别为0.0081（LFP）、0.012（NCA）、0.0097（NMC）。与既有研究中所用模型得到的0.014和0.022相比，本研究表现出更高的精度。
利用D-GELS模型还可以将因部分充放电而缺失的数据恢复为完整充放电数据，从而诊断电池健康状态。
研究团队将分别损失12.5%、25%、50%、75%的充放电数据恢复为完整充放电数据后，对健康状态进行诊断。实验中得到的平均平方根误差值分别为0.030、0.044、0.046、0.18。
尽管这是首次利用部分充放电数据来诊断电池健康状态的研究结果，但仍验证了较高的准确度。
本研究还确认，随着缺失充放电数据比例的增大，诊断精度会下降，并发现一旦初始放电数据缺失，平均平方根误差值有上升趋势。
由此可知，为诊断锂离子电池的健康状态，初始放电数据具有较大影响。
第一作者、UNIST能源化学工程系硕博连读研究员Park Seojeong表示：“我们将具有时间序列特性的锂离子电池充放电数据空间化为类似图像的形式，对深度学习模型进行了训练。”
她接着表示：“本研究为电池诊断提出了新的方法论，是一种在充放电条件不受限制的情况下也可适用的通用模型。”
共同第一作者、UNIST能源化学工程系博士Lee Hyunjun表示：“如果能够利用部分充放电数据对电池进行诊断，那么今后在对废旧电池进行再利用前的诊断过程中，将能大幅节省时间和成本”，并称“本研究为今后向多个领域的扩展应用提供了基础”。
本研究在产业通商资源部和防卫事业厅的支持下开展，并刊登于国际学术期刊《Materials Horizons》2月刊。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
