Cerberus：基于弛豫电压曲线的锂离子电池老化估计与预测深度学习混合模型
机器学习
2023-08-16 v1
摘要
锂离子电池的退化过程与其作为电源与储能设备的整个生命周期密切相关，涵盖性能发挥与循环利用等方面。因此，准确且快速地估计或预测锂离子电池的老化状态已受到广泛关注。然而，现有研究主要集中于老化估计或预测之一，忽视了两方面的动态融合。本文提出一种基于深度学习的容量老化估计与预测混合模型，从充放电弛豫过程中提取与老化高度相关的显著特征。通过融合历史容量衰减数据，该模型动态提供锂离子电池当前容量的估计与未来容量的预测。我们的方法在一个涉及不同倍率充放电循环的新数据集上进行了验证。具体而言，在0.25C充电条件下，平均绝对百分比误差（MAPE）达到0.29%。该结果凸显了模型善于利用现实世界中常见的弛豫过程，并与电池管理系统（BMS）中的历史容量记录协同，从而实现更高精度的容量衰减估计与预测。
引用
@article{arxiv.2308.07824,
title = {Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging Estimation and Prediction Based on Relaxation Voltage Curves},
author = {Yue Xiang and Bo Jiang and Haifeng Dai},
journal= {arXiv preprint arXiv:2308.07824},
year = {2023}
}
备注
3 figures, 1 table, 9 pages