基于全面实时使用数据预测智能手机电池寿命
提出一种基于先期容量电压特征数据的电池寿命预测方法,在广泛不同充 / 放电速率和深度下,使用不超过 15% 的数据即可实现 15.1% 的平均绝对百分比误差,通过建立贝叶斯回归模型还可实现对超额样本的预测,文章同时提供了一个电池老化过程公共数据集,在电池的预防性维护、保修和电池设计制造方面具有重要意义。
Jul, 2023
电池是动态系统,受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试,以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后,解释了从实验室测试数据中开发可解释的机器学习模型的典型流程,并且强调了机器学习模型所面临的挑战,以此来激发将物理学引入混合建模方法的动机,后者对于解读电池的老化轨迹至关重要,但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。
Apr, 2024
利用不足的数据,比较了不同的机器学习算法和深度学习算法,发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好,尤其是 Random Forest Regressor 算法,可以实现平均 9.8% 的绝对百分比误差。相比之下,深度学习模型在小样本原始数据上表现不佳,手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。
Dec, 2023
基于贝叶斯神经网络和传感器数据,本研究针对电池健康监测和终端寿命预测进行建模,在实验中验证了建议模型的有效性,预测误差率平均值为 13.9%,对特定测试电池可降至 2.9%;同时,预测结果包含可量化的确定性信息,从电池初始到中期使用阶段提高了 66%,提高了电池技术的实际应用价值。
Apr, 2024
通过捕捉电池的老化状态和降解速率,本研究提出了一种方法来提高电池寿命的预测性能。该方法通过从电压松弛数据中提取等效电路模型的六个物理特征来指示老化状态,并通过从移动窗口内电压松弛曲线的差异或不同周期的容量 - 电压曲线的差异提取两个特征来捕捉降解速率。基于高斯过程构建了两个机器学习模型,分别用于描述这些物理特征与电池寿命之间的关系,用于寿命预测和分类。该方法在三种不同类型的 74 个电池单元的老化数据上进行了验证。实验结果显示,仅使用 3-12 分钟的采样数据,具有新特征的方法可以准确预测电池寿命,与基准方法相比,预测准确率提高了 67.09%。仅使用两个相邻周期的信息,电池被分为三组(长寿、中寿、短寿),整体准确率大于 90%,实现了退役电池的高效重新分组。
Aug, 2023
提出一种基于机器学习技术的方法,利用电压、电流和温度等各种电池性能参数,训练一个预测模型以准确预测锂离子电池的剩余使用寿命,并在一组锂离子电池循环数据集上评估了该方法的性能,取得了显著的效果
May, 2023
通过使用朴素贝叶斯和拉普拉斯估计,本文提出了一种稳健的预测模型来识别和消除真实生活中手机数据中的噪声实例,以提高模型的预测准确性。实验结果显示该模型在个人手机用户的通话日志等真实生活中的手机数据上具有很好的效果和精度。
Feb, 2019
开发了一种考虑驾驶行为的特征提取方法,通过评估在真实驾驶情况下特征的获取概率,实现了可靠的电池健康监测,并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。
Sep, 2023
提出了一种基于时空多模态注意网络(ST-MAN)的二阶段锂离子电池剩余寿命预测方案,能够捕捉电池数据中复杂的时空依赖关系,并在预测剩余寿命方面实现了最先进的性能。
Oct, 2023