随着电动汽车（EV）和储能系统（ESS）的需求持续增长，各种配置的电池正涌入市场，以满足所需的电压和容量特性。然而，目前的电池健康评估工具通常需要针对每种特定配置收集新数据并重新训练模型，导致效率低下。

据外媒报道，为了解决这一问题，韩国蔚山科学技术院（UNIST）能源与化学工程学院的Donghyuk Kim教授和Yunseok Choi教授提出了一种新的人工智能辅助方法，该方法无需针对不同配置进行额外训练，即可对锂离子电池的健康状态（SoH）进行高精度评估。

图片来源： UNIST

SoH表示电池剩余容量相对于初始容量的比值，是衡量电池寿命和安全风险（例如故障或爆炸）的关键指标。利用人工智能技术，该新型模型仅需电压、电流和温度等运行数据即可确定电池健康度，无需复杂的手动计算。

该模型能够从充放电循环中提取的62种数据模式中自主识别出五项关键健康指标（HI）。重要的是，这些指标对电池剩余寿命非常敏感，且不受串联或并联连接方式的影响。这使得系统不仅能够准确诊断单个电芯的健康状况，还能准确诊断由多个电芯组成的大型电池模块的健康状况。

实验结果表明，仅基于单个电池数据训练的人工智能能够可靠地预测由七个并联电池组成的组件的寿命。与传统模型相比，由于配置差异导致预测误差（RMSE）高达6.31×10⁻²，而新方法的误差仅为1.90×10⁻²，约为先前方法的三分之一。

传统的人工智能诊断工具通常难以应用于不同的配置，因为内阻和电压不平衡会导致数据模式的细微变化。为了解决这个问题，研究团队采用了一种基于变压器的注意力机制——一种先进的人工智能架构，也是ChatGPT等模型的基础。这使得模型能够专注于最相关的数据特征，从而有效地过滤掉与各种配置相关的干扰因素。

Kim教授解释说：“我们设计的这款人工智能能够自动识别电池的真实健康信号，不受电池连接方式的影响。这使得一个通用的模型就能可靠地诊断不同的电池系统。这项技术在电动汽车电池管理、大规模储能、废旧电池评估和回收利用方面具有巨大的应用前景。”