ACCEPT：基于对比学习的锂电池退化诊断预测
机器学习
2025-01-22 v1 系统与控制
系统与控制
摘要
对锂离子电池（LIB）退化建模可为电动车（EV）和电池储能系统（BESS）提供显著的成本节省，并提升其安全性和可靠性。尽管数据驱动方法在预测退化方面受到广泛关注，但它们往往表现出有限的泛化能力，尤其在涉及加速退化的关键场景中表现不佳，这些场景对于准确预测至关重要。这些方法也无法阐明退化的根本原因。相反，物理模型虽能提供更深入的理解，但其复杂参数和内在不确定性限制了在实际场景中的应用。为此，我们提出了一种新模型——ACCEPT。我们新颖的框架使用对比学习来映射底层物理退化参数与可观测运行量之间的关系，结合了两种方法的优势。此外，由于具有相同化学性质的 LIB 的退化路径相似，本模型可对大多数下游任务进行零样本推理。此外，由于可以将类别特征纳入模型，因此可推广到其他 LIB 化学类型。本工作建立了一个基础电池退化模型，为各种电池类型和运行条件下提供可靠的预测。
引用
@article{arxiv.2501.10492,
title = {ACCEPT: Diagnostic Forecasting of Battery Degradation Through Contrastive Learning},
author = {James Sadler and Rizwaan Mohammed and Michael Castle and Kotub Uddin},
journal= {arXiv preprint arXiv:2501.10492},
year = {2025}
}