Battery Cloud是云电池管理系统，它利用云计算能力和数据存储来提高电池的安全性、性能和经济性，通过测量电动车和能量存储系统的电池数据来改进电池性能，训练和验证人工神经网络以估计车辆充电时的电池SOC，以及开发基于差分电压和增量容量分析的高精度电动车电池状态估计方法和数据驱动的热异常检测方法。

Mar, 2022

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

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

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

本研究开发了一种新的微聚类深度神经网络（MCDNN）算法，通过学习电动汽车行程和充电数据来预测充电事件，为电力负荷聚合器和电力管理者提供充电站和电力容量的有效分配。数值发现表明，所提出的MCDNN在预测充电事件方面比支持向量机、k最近邻、决策树和其他基于神经网络的模型更有效。

Jul, 2023

近年来，电动车辆 (EVs) 的电池技术一直备受关注，重点是开发新的电池材料和化学成分，然而准确预测电池参数，如充电状态 (SOC) 和温度，对于构建先进的电池管理系统 (BMS) 仍然是一项挑战。鉴于将这些辅助参数整合到传统模型中的困难，建议采用数据驱动的方法，通过利用多头注意力和并行化友好架构的时间序列转换器 (TSTs) 和 LSTM 模型研究。还开发了新颖的 TST 架构，包括编码器 TST + 解码器 LSTM 和混合式 TST-LSTM，并与现有模型进行比较。使用一组包含宝马 i3 (60 Ah) 的 72 次行驶记录的数据集来解决 EV 中的电池寿命预测问题，旨在创建准确的 TST 模型，将环境、电池、车辆驾驶和加热电路数据纳入，以预测未来时间步骤的 SOC 和电池温度。

Aug, 2023

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

预测电动汽车（EV）充电事件对于负载调度和能源管理至关重要，本研究使用历史智能电表数据开发了一种家庭充电预测方法，借鉴非侵入式负载监测（NILM）的概念，通过基于自注意力机制的变压器模型，提供了未来EV充电事件的预测信息，本方法在一分钟间隔提供高达96.81％的准确性，适用于网格运营商的实际需求。

Mar, 2024

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

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