开发新的电网储能技术受到科研工作者的极大关注，但经济可行性要求制造商提供保证15年以上使用寿命的电网储能技术。尽管人们已经做出了大量努力来对新储能技术的预期寿命进行早期预测，但为了对保修定价和评估第二寿命等因素，需要完整的故障概率分布，而不仅仅是预期寿命。近日，劳伦斯伯克利国家实验室Stephen J. Harris报道了基于统计和机器学习的储能耐久性测试策略。

本文要点：

1) 作者使用已公布的电池循环寿命数据来构建有效的统计和基于机器学习的测试分析策略，这些策略可以快速估计并利用故障概率分布。一种方法是威布尔分析，它可以减少设置保修所需的测试机器小时数，快速确定新技术是否优于现有技术，以及估计不会改变故障模式的测试加速度的最大强度。

2) 第二种方法是将所有的测量数据作为时间或循环数的函数，如容量或能量等数据都富有价值，并且其是由潜在函数生成的。该分析采用高斯过程来寻找潜在函数及其不确定性，从而使其可用于计算故障分布。

参考电竞投注官网 ：

Stephen J. Harris et.al Statistical and machine learning-based durability-testing strategies for energy storage Joule 2023

DOI: 10.1016/j.joule.2023.03.008

https://doi.org/10.1016/j.joule.2023.03.008