锂离子电池已经成为电动汽车崛起的关键组成部分，但预测它们的健康和寿命限制了这项技术。

虽然它们已经被证明是成功的，但锂离子电池的容量会随着时间的推移而下降，这不仅仅是因为充电和放电过程中发生的老化过程——被称为“循环老化”

电池不用时也会降解

锂离子电池也会因所谓的“日历老化”而退化，日历老化发生在存储期间，或者只是在电池不使用时。它由三个主要因素决定：电池的静止电荷状态（SOC）、静止温度和静止时间的持续时间。

鉴于电动汽车的大部分时间都在停车，预测电池因日历老化而导致的容量下降至关重要；它可以延长电池寿命，并为甚至可以规避这一现象的机制铺平道路。 为此，研究人员一直在采用先进的机器学习算法来准确预测日历老化。

将研究与电动汽车市场联系起来

在最近由欧盟Horizon 2020计划资助的一项研究中，一组科学家通过比较两种算法在商用锂离子电池化学物质的广谱上的准确性，将研究向前推进了一步。 具体来说，他们从六种电池化学物质中提取日历老化数据：锂钴氧化物（LCO）、磷酸铁锂（LIP）、锂锰氧化物（LMO）、锂钛氧化物（LTO）、镍钴氧化铝（NCA）和镍锰钴氧化物（NMC）。 这些电池在50、60和70摄氏度的温度室中使用高、中、低电压进行日历老化。 为了预测衰老，该团队调查了两种机器学习算法的效率：极限梯度提升（XGBoost）和人工神经网络（ANN）。

算法是如何工作的？ 选择这两种算法是因为它们能够产生可靠的结果，但它们的操作有很大不同。 XGBoost是一种基于决策树的最先进的监督机器学习算法，广泛用于回归或分类问题。 人工神经网络是一个人工自适应系统，它使用其基本元素，称为神经元和连接，将其全局输入转换为预测输出。 为了评估他们的表现，研究人员使用了平均绝对百分误差（MAPE）度量，它测量预测值和测量值之间的平均误差幅度。简单地说，MAPE值越小，预测精度越高。

结果显示了什么？ 算法的测试表明，XGBoost可以有效地预测大多数化学物质的日历老化，平均绝对误差显着最小。同时，人工神经网络仅对LFP、LTO和NCA细胞化学物质产生了令人满意的结果。 您可以在下图中查看它们的准确性：

XGB的整体卓越性能，特别是在主导汽车行业的电池化学物质（NCA、NMC、LFP）方面，表明它可以集成到电动汽车电池应用软件中，以成功预测日历老化效应，并为电动汽车电池提供更好的运行寿命。 现在还有待观察需要采取哪些步骤将研究结果转化为商业应用。