Jan, 2024

GPT4Battery：基于 LLM 的自适应状态估计原始锂离子电池的框架

PDF
TL;DR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。
state of healthsoh estimationli-ion batterieslarge language modeladaptable estimation
发现论文，激发创造
  • 利用部分放电循环数据实时估计锂离子电池健康状态的数字孪生技术

    通过数字孪生框架对锂离子电池进行实时健康状况估计，实现了不需要完成完整放电循环的实时 SOH 估计，并提出了能够处理可变训练数据、探索不同训练时间重要性以及在线实现的解决方案。

    Dec, 2022

  • 具有循环差异学习的可转移多阶段模型用于锂离子电池健康状态估计

    本文提出了可转移的多阶段状态估计模型，以跨同一阶段的电池进行迁移学习，包括四个步骤，并使用相位空间、领域不变表示和时序胶囊网络来提高估计精度，有效地处理了同一阶段内的不同电流循环之间的非线性漂移问题。该方法表现出在多个转移任务中的性能优势。

    Sep, 2022

  • 商业锂离子电池浅循环状态健康估计的自注意力知识领域适应网络

    本文提出了一种使用自注意力蒸馏模块和多核最大均值差异技术的无监督深度转移学习方法，用于估算浅循环电池的 SOC，与其他转移学习方法相比，该方法具有更高的准确性和超出 2％的均方根误差。

    Apr, 2023

  • 基于迁移学习和视觉 Transformer 的锂离子电池健康状态预测

    本研究提出了一种基于 Vision Transformer 模型的电池健康预测方法，并采用迁移学习的方法进行优化，实验结果表明该方法能够取得更好的预测效果。

    Sep, 2022

  • 用变压器预测多变量电池性能和健康状态

    通过使用深度转换网络，我们展示了对 28 个电池健康描述符进行预测的第一步，使用两组循环数据集代表了六种锂离子阴极化学组成（LFP，NMC111，NMC532，NMC622，HE5050 和 5Vspinel），多种电解质 / 阳极组成和不同的充放电方案。这些预测与电池寿命相比的准确性（对于一个 LFP 快充数据集预测终点寿命的绝对平均误差为 19 个循环）展示了深度学习在提供更深入理解和控制电池健康方面的潜力。

    Sep, 2023

  • 基于机器学习的电动汽车电池建模数字孪生

    通过数据驱动的模型和数字孪生结构，提高电动汽车电池的能量密度和运行效率，并有效地监视电池的状态和健康状况，以应对现有电池在容量衰退和性能衰减方面的局限性。

    Jun, 2022

  • 铅酸电池剩余寿命估计的机器学习方法映射研究

    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

  • 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）

    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

  • 利用递归高斯过程回归从数据中学习电池模型参数动态变化

    本文提出一种基于数据驱动和模型驱动方法相结合的混合方法来进行电池健康估计，并证明其计算效率高、数据适用性强以及对不同操作条件具有鲁棒性。实验结果表明该方法能够准确预测电池容量和内阻，为了解电池在实际应用中的老化问题提供了新机遇。

    Apr, 2023

  • 基于驾驶行为的机器学习电动车电池健康监测

    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