Jan, 2024

柔性并行神经网络架构模型用于锂电池寿命的早期预测

PDF
TL;DR为了提高锂电池的效率和延长使用寿命，本研究提出了一种可解释的深度学习模型 FPNN，它可以自适应地调整不同复杂度的任务，从而提高锂电池寿命的预测准确性。
early predictionbattery lifeflexible parallel neural networkinterpretable deep learninglithium batteries
发现论文，激发创造
  • 基于物理知识神经网络的锂电池预测与健康管理模型融合

    本文提出了基于 PINN 模型融合物理动态模型和数据驱动模型用于锂离子电池降解动力学的半经验 / 半物理偏微分方程的模型融合方案，并采用基于不确定性的自适应加权方法平衡多个学习任务在公共 LFP / 石墨化锂离子电池数据集上进行验证。

    Jan, 2023

  • 稳健电池预测的概率融合方法探索

    本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

    May, 2024

  • 通过物理知识导向模型优化锂离子电池的循环寿命预测

    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

  • IIP-Mixer: 电池剩余寿命预测的内部 - 间接补丁混合架构

    通过混合 MLP 的操作，我们提出了一种名为 'Intra-Inter Patch Mixer' (IIP-Mixer) 的架构来预测锂离子电池的剩余使用寿命 (RUL)，在短期和长期内捕捉局部和全局的时间模式，并引入加权损失函数来处理特征的重要性变化，实验证明 IIP-Mixer 在 RUL 预测方面表现优于其他常见的时间序列框架。

    Mar, 2024

  • 基于 PINN 的锂离子电池模型辅助参数推断研究。第 I 部分：单粒子模型的实现与多保真层次

    发展物理信息的神经网络代替物理模型来诊断锂离子电池状态的资源需求，提出了一种利用多层次训练方法提高预测准确性和贝叶斯校准能力的 Li-ion 电池单粒子模型的 PINN 代理。

    Dec, 2023

  • 锂离子电池剩余寿命的两阶段早期预测框架

    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

  • NeuralPower: 预测和部署高效卷积神经网络

    本研究提出基于稀疏多项式回归的逐层预测框架 NeuralPower，以准确预测在任何 GPU 平台上部署的卷积神经网络的能耗和运行时间。同时，我们还提出了 “能耗 - 精度比”（EPR）指标，以帮助机器学习者选择更能平衡能耗和预测准确度的 CNN 架构。实验结果表明，该框架可以提高预测精度高达 68.5％，且可以在不同 GPU 平台和深度学习软件工具上得到验证。

    Oct, 2017

  • 基于物理信息的神经网络用于发现具有不可测量状态的系统，应用于锂离子电池

    将机器学习与物理学相结合是一种研究未知动力学的热门方法，其中一种被广泛研究的框架是基于物理方程的神经网络（PINN）。此论文介绍了一种稳健的 PINN 训练方法，通过减少损失项，构建了一个较简化的优化过程，应用于电池模型以同时估计其状态和参数。

    Nov, 2023

  • 利用时空多模态注意力网络预测锂离子电池剩余寿命

    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

  • FPN-fusion: 增强的线性复杂度时间序列预测模型

    本研究提出了一种新颖的时间序列预测模型，FPN-fusion，具有线性计算复杂度，相比于 DLiner 具有更优越的预测性能而无需增加参数数量或计算需求。我们的模型引入了两个关键创新：首先，采用特征金字塔网络（FPN）有效地捕捉时间序列数据的特征，避免了传统趋势和季节分解；其次，开发了一个多层融合结构，无缝地整合深层和浅层特征。在八个开源数据集上的 32 个测试案例中，FPN-fusion 在 31 个案例中表现优于 DLiner，平均均方误差 (MSE) 减少 16.8% 和平均绝对误差 (MAE) 减少 11.8%。此外，与基于 Transformer 的 PatchTST 相比，FPN-fusion 在 32 个测试项目中实现了 10 个最佳 MSE 结果和 15 个最佳 MAE 结果，仅使用了 PatchTST 总计算负载的 8%。

    Jun, 2024