Машинное обучение поможет ускорить зарядку аккумуляторов
Американские ученые создали установку, которая позволяет во много раз ускорить тестирование литий-ионных батарей. За счет этого можно намного быстрее подобрать оптимальный режим их зарядки.
Преимущества быстрой зарядки литий-ионных аккумуляторов очевидны, однако у нее есть и недостатки. Например, чем выше скорость заряда, тем ниже срок жизни батареи. Основная проблема заключается в выпадении части ионов лития в осадок. В результате они становятся непригодными для дальнейшего использования, а общая емкость батареи снижается.
Существует несколько способов замедлить потерю производительности аккумулятора. Например, если начать медленную зарядку, затем перейти к быстрой, а в конце вновь к медленной, вероятность выпадения ионов в осадок снижается. Современные зарядные устройства достаточно умны для этого. Однако чтобы подобрать оптимальный режим зарядки, необходимо провести множество тестов с различными моделями аккумуляторов и оценить, как меняется их производительность с течением времени. Это долгий и затратный процесс.
Исследователи из Стэнфордского университета, о работе которых рассказывает Ars Technica, предложили свою методику подбора идеального профиля зарядки. Используемая ими установка напоминает стандартное оборудование для тестирования батарей, однако большая часть действий происходит внутри компьютера.
В основе используемого командой программного обеспечения лежит так называемый байесовский оптимизатор. Он учитывает две конкурирующие тенденции. Первая: чем больше профилей протестировано, тем выше шанс найти оптимальный. Вторая: оптимальные профили напоминают те, что уже определены как хорошие.
Этот инструмент связали с алгоритмом машинного обучения, который анализирует работу батареи, чтобы предсказать срок ее службы. В предыдущих исследованиях было показано, что он успешно прогнозирует производительность аккумулятора на основе всего 100 циклов данных. Это эквивалентно сокращению срока тестирования с 40 дней до 16.
Чтобы доказать, что система действительно работает, команда использовала ее для оценки 48 аккумуляторов и 224 профилей быстрой зарядки. На изучение большинства профилей и понимание общих контуров оптимальных решений хватило всего двух раундов тестирования по 100 циклов каждый.
Оказалось, что лучшими решениями для исследованных батарей оказались профили, в которых скорость зарядки была постоянной. Разумеется, это не означает, что такой подход оптимален для всех ситуаций. Тем не менее, новая система может быстро подобрать идеальный профиль для каждой из них - и для любой модели аккумулятора.
