目前的电池管理系统可能显示车辆电量为40%，但驾驶员仍需判断车辆在开启暖风的情况下能否在山路上行驶100公里。

图片来源：加州大学河滨分校（UCR）

据外媒报道，加州大学河滨分校（University of California, Riverside，简称UCR）的工程师们开发出名为“任务状态”（SOM）的全新诊断指标，旨在回答一个实际问题：这块电池在当前状态下能否安全成功地为特定任务提供动力？SOM可结合电池数据和环境因素（例如交通模式、海拔变化或环境温度）来生成实时的、针对特定任务的预测。

参与开发该系统的UCR工程学教授Mihri Ozkan说道：“SOM填补了这一空白，它是一种任务感知型测量方法，结合数据和物理原理来预测电池在实际条件下能否完成计划任务。”

该系统的相关研究论文已发表在期刊《交叉科学（iScience）》上。SOM的独特之处在于其混合方法。不同于无法适应不断变化的场景的僵硬物理方程，也不同于无法解释结果的机器学习模型，他们构建了一个融合两者优势的系统。

该模型不仅学习电池随时间充电、放电和升温的过程，还遵循电化学和热力学定律。这种双重智能使其即使在压力下（例如温度骤降或陡峭的上坡）也能做出可靠的预测。

UCR的工程学教授兼该研究的共同负责人Cengiz Ozkan说道：“通过结合这两种方法，我们获得了两全其美的效果：一个能够灵活地从数据中学习，但始终立足于物理现实的模型，这使得预测不仅更加准确，也更加可信。”

为了测试其框架，该团队使用了美国国家航空航天局（NASA）和牛津大学公开的电池数据集。这些数据集包含真实的使用模式，包括充放电循环、温度变化、随时间变化的电流和电压数据以及长期性能趋势。

与传统电池诊断方法相比，该模型的预测误差显著降低：电压误差减少0.018伏，温度误差减少1.37摄氏度，充电状态误差减少2.42%。

SOM并非提供基本的“充电百分比”估算，而是提供更智能、更具前瞻性的输出。它可以告知驾驶员：虽能完成计划路线，但可能需要中途充电，或者在某些风力条件下无人机飞行不可行。

Mihri Ozkan说道：“它将抽象的电池数据转化为可操作的决策，提高了车辆、无人机以及任何需要将能量与实际任务相匹配的应用的安全性、可靠性和规划能力。”该模型仍在开发中。

Mihri Ozkan认为：“目前，主要的限制是计算复杂性。该框架所需的处理能力，超出了当今轻量级嵌入式电池管理系统的常规供给水平。”

尽管如此，研究人员仍然保持乐观。通过进一步优化，研究人员预计该模型很快就能应用于电动汽车、无人机系统、电网储能应用等领域。

展望未来，该团队计划在现场环境中测试SOM，并扩展其功能，使其能够与其他电池化学成分（例如钠离子电池、固态电池或液流电池）兼容。

Cengiz Ozkan说道：“我们的方法旨在具有普遍性。同样的混合方法可以提供任务感知预测，从而提高从汽车、无人机到家用电池系统甚至太空任务等各种能源技术的可靠性、安全性和效率。”