美国研究人员开发出一种混合人工智能模型，显著提升了锂离子电池剩余使用寿命预测的准确性。该系统结合卷积神经网络、门控循环单元与粒子滤波器，为电池健康监测提供更可靠工具。

锂离子电池在反复充放电过程中容量逐渐下降，准确预测其失效时间对电动汽车、消费电子及电网储能系统至关重要。传统预测方法包括基于物理的模型和数据驱动技术，但前者难以应对复杂现实条件，后者在长期预测或数据有噪声时准确性不足。

新开发的混合模型专注于预测剩余使用寿命，即电池容量降至可用阈值前可完成的循环次数。它采用名为“带自适应噪声的完全集合经验模态分解”的技术预处理数据，分解容量信号、去除噪声并保留退化模式。一维卷积神经网络提取关键特征，门控循环单元捕捉特征随时间变化，粒子滤波器则校正预测误差并稳定输出。

移动窗口机制将校正后预测反馈至模型，使其能动态适应新数据。在NASA和CALCE等基准数据集测试中，该模型预测准确率较单独门控循环单元提升最高87.27%，较单独粒子滤波器提高82.88%，较简单混合组合增长55.43%。系统在有限或有噪声数据集上训练时也保持稳定。

更准确的剩余使用寿命预测可降低电动汽车续航不确定性，防止突发电池故障；对电网储能系统，则有助于优化维护计划、减少停机时间，提升可再生能源可靠性。模型在较小数据集表现良好，适合现实世界部署。

研究人员表示未来工作可能包括测试极端温度环境、整合电压与温度等健康指标，并将系统扩展至多电芯电池组。该研究已发表于《绿色能源与智能交通》期刊，展示了深度学习与概率方法结合如何克服各自局限，为电池健康监测开辟更稳健路径。