基于 LLM 框架的电池状态健康估计
机器学习
2025-01-31 v1 信号处理
摘要
电池健康监测对于电动车 (EV) 的高效可靠运行至关重要。本研究引入了一个基于转换器的框架，用于估计锂亚硝酸根 (LTO) 电池单元的状态健康 (SoH) 并预测剩余可用寿命 (RUL)。在对 8 个 LTO 电池进行 500 个循环测试的各种循环条件下，我们展示了充电时长对能量存储趋势的影响，并应用微分电压分析 (DVA) 监测电压范围内容量变化 (dQ/dV)。我们的 LLM 模型实现了卓越的性能，均绝对误差 (MAE) 低于 0.87%，且具有不同的延迟指标，支持高效处理，显示出其在 EV 中实时集成的强大潜力。该框架通过对高分辨率数据的异常检测识别早期退化迹象，促进预测性维护，以防止突发电池故障并提高能源效率。
引用
@article{arxiv.2501.18123,
title = {Battery State of Health Estimation Using LLM Framework},
author = {Aybars Yunusoglu and Dexter Le and Karn Tiwari and Murat Isik and I. Can Dikmen},
journal= {arXiv preprint arXiv:2501.18123},
year = {2025}
}
备注
Accepted at The 26th International Symposium on Quality Electronic Design (ISQED'25)