数据驱动绿色未来AI技术助力电动汽车充电测试时间缩短至16天

在数十年来，电动汽车（EV）电池的发展一直受到充电测试这一瓶颈的限制。每个阶段都必须对新技术进行数月甚至数年的测试，以确定其可持续使用的时间。这包括材料选择、制造和工作运行等过程控制优化。锂离子电池寿命评估实验往往需要数月乃至数年的时间，而且参数调整、空间和样品多样性使实验延长。

然而，斯坦福大学教授、麻省理工学院和丰田研究院合作开发的一种基于机器学习的方法，将这些挑战转变为优势。在2020年2月19日，该研究发表于《自然》杂志上，展示了如何将传统两年的充电测试缩短至仅需16天，大幅度加速新型电池开发进程。

设计超快速充电是重大挑战，因为很难让它们持续使用更快的充电强度会导致早期失效。为了防止构成EV总成本大部分的轻易损坏，工程师必须测试一系列详尽充電方式，以找到最有效方法。

新的研究试图优化这个过程。通过算法减少每个循环实验时间，并预测早期结果，该团队开发了闭环优化（CLO）系统，它具有高效优化能力以及高采样可变性。此系统能够快速优化特定六步流程中的曲线，以及能最大限度地使得十分钟快充协议，使得用户里程焦虑得到缓解。

首先，他们利用算法减少每个循环实验时间，然后减少要测试数量。计算机不均匀或依靠直觉，每次只能尝试最佳协议，从经验中吸取教训以快速找到要测量协议，这种策略极大地提高了效率。

通过这种CLO系统，在16天内筛选出224个待测中具有长寿命快充能力的224个待测，而原有224个待测需要560天进行相同测试，这项方法验证了其有效性。

该CLO系统由三个组件构成：多通道循环器、早期预测模型和BO算法。在每轮顺序时，我们遍历这三个组件。一开始从完整协议集中随机选择48个作为第一轮并且进行100次重复循环超过905圈终止实验后获得前100周期数据用于预测剩余寿命发送给BO算法以便下一个较高估计寿命项目接替此过程直到结束。而早期预测减少了单一实验所需次数，而最佳设计则进一步降低了总体次数需求。