Credit: CC0公共领域全球数百万人无法获得电力。分散的太阳能电池系统是解决这一问题的关键，同时避免碳排放和空气污染，但由于成本相对较高和农村地区阻碍了及时的预防性维护。当这种系统中的电池出现故障时，很难更换，并且会导致人们无法获得电力。因此，了解电池何时可能出现故障对于规划维修物流和最大限度地减少电源停机时间至关重要。现在，一种隶属于法拉第研究所多尺度建模项目的计算电池故障的独特方法被证明比当前在同一数据集上使用的方法更精确15-20%。这篇来自牛津大学和法拉第研究所的论文今天在《焦耳》杂志上发表。
为了测试他们的方法，作者与Bboxx合作，Bboxx是一家在发展中国家提供清洁能源的下一代公用事业公司，提供真实的运行数据。这避免了过去电池健康建模研究的局限性，过去的研究主要使用在实验室条件下收集的小数据集。
在长达2年的时间里，通过Bboxx收集了来自非洲1000多个运行电池的原始测量电压、电流和温度数据。这种方法不需要额外的传感器或要求，使能源系统能够持续在线。
牛津大学工程科学系的大卫·豪威教授说，“我们的方法在展示基于物理的机器学习如何在真实世界的电池应用中大规模工作方面是独一无二的。我们使用先进的概率机器学习技术来推断作为电流、温度、充电状态和时间函数的电池内阻，从而能够校准至标准条件。”
“该方法的成功归功于全人群健康模型和电池特定健康指标的结合，该指标在接近寿命结束时变得越来越有用。”
该技术提供了对驱动电池老化的因素的洞察，例如极端的电压和温度，并且该方法适用于可以用简单电路模型表示的任何电池。
豪伊教授解释说，“这些结果引起了广大电池运营商和客户的兴趣，并可用于加速理解电池性能的创新，尤其是如果组织以Bboxx在这方面的首创方式更广泛地提供运营数据。我们很高兴该研究论文首次展示了从现场数据中获取见解的可扩展方法。”
Bboxx是一家在发展中国家制造、分销和资助分散式太阳能系统的下一代公用事业公司，它已经同意公开这些数据——来自真实电池系统的6亿多行运行测量数据。
豪伊教授说，“我们希望这将被证明是社区的一个关键资源，并推动开始分析现场数据，以获得对电池性能的新见解。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
