加速循環壽命測試一直是電池業界的重要課題之一，雖然可以透過不同的功率、運作溫度等設計達成效果不等的「加速」測試效果。然而，不同的電池有其適合之運作條件，若以超出規範的功率與環境溫度下所測試出來的結果，是否可以公平的評價電池壽命一直是業界所質疑的議題。
目前在工程領域經常被使用的MATLAB、COMSOL等工具平台，已經提出了從材料選擇、機構散熱、電路集成、系統整合等不同程度的電池模擬工具，其主要方法大致上是以使用者基於對電池特性的了解在進行設定後，可以協助用戶建立對應的等效電路模型，進而模擬出不同充放電狀態下電池可以產出的效能及便於進行老化評估。這個方法雖然目前廣為前端電池研發人員使用，但大多仍只能作為研發階段之驗證參考。實際上的電池效能與老化狀況與電池生產階段的各項因素習習相關，運用等效電路模型較難以模擬出所有的狀況及呈現出生產時的一致性。(圖1為MATLAB 工具示意)
圖1. Matlab Simulink Generic Battery Model 範例
(Reference: https://www.mathworks.com/help/physmod/sps/powersys/ref/battery.html)
也正因如此，目前電芯廠商在開發新電池時，仍會進行動輒需要數個月、大量電池與測試通道的循環老化測試，取得足以代表此種電池壽命衰退曲線予以應用端參考。儘管如此，應用端在選用電池時所能參考的數據亦大多較侷限於原廠所能提供的壽命衰退曲線，較講究之原廠雖能根據不同功率、運作溫度提供電池壽命數據，但仍難以滿足現今益加多元之各種應用需求。 由於長年收集大量且不同的電池芯、電池組的測試數據，BATTPEDIA運用MACHINE LEARNING技術從數十億筆的資料中，建立了具備數十萬種的電池模型大數據基因庫 (BATTPEDIA – BATTERY GENE POOL – BGP)。在輸入相對較有限的循環測試資料即可以運用AI技術從模型資料庫 (BGP) 中找出相對應效能表現最為相近的電池模型，從而能更精確的推估在不同運作狀態下電池壽命老化情形。(圖2為BATTPEDIA ML與AI技術示意圖)
圖2. Battpedia Artificial Intellegent and Machine Learning Technology
圖3為以某L牌大廠18650電芯為例，Battpedia隨機選擇15顆電芯做為效果驗證。其中5顆被選為測試組，在23 °C下以1C進行300次100% DoD循環充放電實驗 (圖3為單次充放電循環曲線)。
圖3. 1C DoD 100% Battery Cyclic Charge/Discharge Test at 23 °C
另10顆選定為驗證組，分別以下列5種測試情境 (每種2顆電池) 進行長時間循環測試。
- S1: 0.5C 80% DoD at 23 °C
- S2: 0.5C 50% DoD at 23 °C
- S3: 2C 100% DoD at 23 °C
- S4: 5C 100% DoD at 23 °C
- S5: 1C 100% DoD at 40 °C
圖4顯示Battpedia AI所模擬出的結果與實際從驗證組測試所產出的結果相比，可以看出Battpedia AI運用5顆電芯的300次循環為基礎，並參考大電池模型大數據基因庫 (BGP) 中類似電池的老化特徵進行壽命預測。從結果來看，平均壽命老化預測誤差率幾乎都可以控制在 10% 以下，甚至在部份條件下 (ex. S2, S4) 更有相當不錯的預測準確度 (>95%)。當然，目前的驗證數據尚為不足，但作為以實際循環數據再進行模型推估的方式，Battpedia的AI/ML技術已提供海內外不少合作伙伴，並在不同應用下獲得初步的成果。
圖4. Battpedia AI預測精準度驗證案例
未來Battpedia會運用所建立的電池模型大數據基因庫 (BGP)，逐步釋出各項壽命測試模擬工具供業界使用，也期望能逐步在過程中不斷優化電池大數據基因庫 (BGP) 與AI技術的效能與準確度，與不同業界伙伴共同探索更多具價值的應用解決方案。
除了電芯層級的模擬，Battpedia亦在建立電池組甚而全系統的電池模型持續努力，未來也會在不同層級的模擬提供對應的工具。
有任何指教，歡迎聯繫我們!