冥狗：基于放松电压曲线的锂离子电池老化估计和预测的深度学习混合模型
摘要：锂离子电池的衰减过程与其作为电源和能量存储设备的整个生命周期密切相关，涵盖了性能提供和循环利用等方面。因此，对于锂离子电池老化状态的准确和迅速估计或预测引起了广泛关注。然而，目前的研究主要集中在老化估计或预测上，忽略了两个方面的动态融合。本文提出了一种基于深度学习的容量老化估计和预测的混合模型，其中从充电和放电松弛过程中提取与老化密切相关的显著特征。通过融合历史容量衰减数据，该模型动态提供锂离子电池的当前容量估计和未来容量预测。我们的方法在涉及具有不同速率的充电和放电循环的新数据集上进行了验证。具体来说，在0.25C充电条件下，实现了0.29\%的平均绝对百分比误差（MAPE）。这个结果突显了该模型在利用现实世界中常遇到的松弛过程并与电池管理系统（BMS）中的历史容量记录相协调，从而以更高的精确度提供容量衰减的估计和预测能力。
作者：Yue Xiang, Bo Jiang, Haifeng Dai
论文ID：2308.07824
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-16