iMOE：解釈可能な混合エキスパートを用いた第二世代バッテリー劣化軌跡の予測

科学分野:

• 電気工学
• 材料科学
• 持続可能なエネルギー

背景:

• 引退した電気自動車のバッテリーは、持続可能なエネルギー貯蔵の機会をもたらします。
• バッテリー劣化の不確実性は、第二世代アプリケーションにおける安全上のリスクをもたらします。
• 正確な劣化予測は、エネルギーインフラ統合の信頼性にとって重要です。

研究 の 目的:

• バッテリー劣化軌跡を予測するための解釈可能なモデルを開発すること。
• 第二世代バッテリー使用に伴う安全性の懸念に対処すること。
• 引退したバッテリーをエネルギーインフラに効率的に統合できるようにすること。

主な方法:

• 解釈可能な混合エキスパート（iMOE）ネットワークを提案しました。
• iMOEネットワークは、容量-電圧および緩和データを使用して劣化モード分類を行います。
• リカレントネットワークは、学習された埋め込みに基づいて長期劣化軌跡を予測します。

主要な成果:

• iMOEは、生涯予測において0.95%の平均絶対パーセント誤差（MAPE）を達成しました。
• 推論時間は0.43ミリ秒に短縮され、計算時間は50%削減され、最先端の方法と比較してMAPEは77%削減されました。
• 限定的な（5MB）またはランダムにサンプリングされたデータでも効果的な予測が実証されました。

結論:

• iMOEネットワークは、バッテリー劣化予測のための展開可能で履歴不要なソリューションを提供します。
• これにより、第二世代バッテリーの安全かつ効果的なエネルギー貯蔵システムへの統合が促進されます。
• このアプローチは、持続可能なエネルギーインフラのための第二世代バッテリーの評価と制御を再定義します。