岭大研发人工智能模型 延长退役电池使用期限

岭大科学教研组助理教授唐晓鹏。

随着电动车在全球日益普及，锂离子电池的需求激增，导致报废的电池数量也随之增加，如何充分二次应用退役电池成为重要的社会议题。为协助解决这一问题，岭南大学（岭大）今日（14日）表示，岭大科学教研组助理教授唐晓鹏与上海理工大学组成的研究团队，近日在IEEE期刊发表了一篇名为《以寿命为基础的电池分类 促进二次应用》的论文，并于第25届IEEE中国系统仿真技术及其应用学术会议（CCSSTA 2024）上，在278份的投稿论文中脱颖而出，成为仅4份获得“最佳论文奖”的得主之一。

研究团队透过人工智能（AI）的半监督学习模型，研发了一种崭新的电池检测方法，针对退役电池的寿命进行分类和筛选。团队所训练的模型称为“卷积神经网络”—一种应用了AI技术的深度学习模型，只需要取得电池前三个充电回圈周期的资料（即从0%充到100%，再从100%耗至0%为一个充电回圈周期），便能对不同寿命的电池进行分类，解决了传统的检测方法中，因电池差异造成模型失效，从而无法评估其容量的真实状态，导致检测结果与实际电池状态不符的问题。该研发的突破在于AI检测模型不需要直接预测退役电池的使用寿命，而是评估两个电池是否有相若的使用寿命，有效将不同电池分类，达至高效且精确的筛选效果。

研究团队随后对38个电池样本进行测试验证，当中有22个电池因为老化问题已达到“截止容量”、电池效能下降。而另外的16个电池则有较好的寿命表现，团队将它们列为可以二次应用的候选电池，但不知道其真实的寿命值。团队其后将22个效能较低的电池，即使用已达到“截止容量”的电池老化资料来训练AI模型，使该模型能够根据电池的预期寿命来将较长寿命的电池分类为不同的群组。团队再利用该模型将未分类的电池进行一对一比较，将寿命值属于同一类别的电池分组，从而有系统地对退役电池进行分类。

结果显示，即使退役电池有相似的初始容量和电阻，它们的使用寿命也可能有显著差异。使用传统的“容量-电阻方法”来检测电池状况，可能会导致错误的电池寿命分类。然而，研究团队提出的AI模型相比传统检测方法，可等效减少至少百分之二十的电池寿命损耗，有效延长电池使用寿命。这项崭新研究成果提供了可靠而精确的方法，提升退役电池的二次应用，优化电池管理方案，对节能减排产生积极影响。