锂离子电池剩余使用寿命及状态健康度评估(适用于电动汽车)
本文介绍了机器学习方法在估计铅酸电池 State of Health 和 Remaining Useful Life 方面的研究现状,并分析了测量铅酸电池性能的传感器组合。
Jul, 2023
通过使用神经网络模型判断降解数据的健康状态并预测第一次预测周期之后的降级模式,本文提出了一种用于锂离子电池剩余寿命(RUL)预测的新方法,并通过实验证明该方法在 RUL 预测方面优于传统方法,显示出在实际场景中提供更准确可靠的电池管理能力。
Aug, 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
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
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
用基于物理的方程和自注意力模型结合的新方法,通过早期循环数据预测商业锂铁磷图层石墨电池的循环寿命,并通过拟合容量损耗曲线到这个基于物理的方程,利用自注意力层重构整个电池的容量损耗曲线。我们的模型在预测更多信息(整个容量损耗曲线而不是循环寿命)的同时表现出与现有模型相当的性能,这提供了更强的稳健性和可解释性,我们的模型不需要针对不同的寿命周期重新训练,并且有物理直觉的支撑。
Apr, 2024
利用大规模语言模型提出了一种适用于不同电池的适应性健康状态估计框架,通过测试时间训练技术保证了估计准确性,并在 62 个电池的四个公认数据集上达到了最先进的准确度。
Jan, 2024
研究论文探讨了锂离子电池(Li-on)与预测与健康管理的无缝集成,提供了一种多学科方法,增强了这些动力源的可靠性、安全性和性能。重点深入探讨了剩余寿命(RUL),强调其在预测组件故障之前的作用。论文综述了各种 RUL 预测方法,从传统模型到尖端的数据驱动技术。此外,它强调了深度学习架构在锂离子电池健康预测领域中的转变,解释了深度学习在解决电池系统复杂性中的关键作用。还探讨了 PHM 在各行业的实际应用,为读者提供了对实际实施的洞察。该论文旨在成为锂离子电池 PHM 领域研究人员和实践者的全面指南。
Mar, 2024
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
通过 62 个商用高能型磷酸铁锂(LFP)电池的老化和重整实验,该论文使用机器学习模型预测电池寿命,并识别可恢复能力的重要指标,还发现了侧向锂非均匀性对可恢复容量损失的贡献,并通过等效电路模型和实验证明了锂非均匀性如何积累并导致可恢复容量损失,SHapley Additive exPlanations(SHAP)分析揭示了电池操作历史对容量恢复的显著影响。
Sep, 2023