用于铅酸电池剩余使用寿命估计的机器学习方法映射研究
机器学习
2023-07-12 v1
摘要
储能解决方案在现代基础设施中扮演着日益重要的角色,而铅酸电池是可充电类别中最常用的电池之一。由于随时间正常退化,正确确定电池的健康状态(SoH)和剩余使用寿命(RUL)有助于增强电池系统的预测性维护、可靠性和寿命。除了改善成本节约外,正确估计SoH可通过退役电池再利用来减少污染。本文提出了一项关于用于估计铅酸电池SoH和RUL的机器学习方法最新进展的映射研究。这两个指标在电动汽车、可再生能源系统以及其它严重依赖该电池技术的应用的电池管理系统中至关重要。在本研究中,我们分析了用于估计SoH和RUL的机器学习算法类型,并从准确性和推理时间方面评估了其性能。此外,该映射识别并分析了在特定应用(如车载电池)中最常用的传感器组合。该映射最后强调了未来研究的潜在差距与机遇,为该领域的进一步进展奠定了基础。
引用
@article{arxiv.2307.05163,
title = {A Mapping Study of Machine Learning Methods for Remaining Useful Life Estimation of Lead-Acid Batteries},
author = {Sérgio F Chevtchenko and Elisson da Silva Rocha and Bruna Cruz and Ermeson Carneiro de Andrade and Danilo Ricardo Barbosa de Araújo},
journal= {arXiv preprint arXiv:2307.05163},
year = {2023}
}