基于充电关键特征的数据驱动电池退化模式量化
信号处理
2024-12-16 v1
摘要
电池退化模式影响锂离子电池的老化行为，导致容量加速衰减和潜在的安全问题。量化这些老化机制对充电站应用中的在线和离线诊断都构成挑战。数据驱动算法已成为通过从数据中学习难以建模的电化学特性来解决健康状态问题的有效工具。本文提出了一种数据驱动的电池退化模式量化方法。从 1/3C 充电数据导出的增量容量曲线中提取了 91 个统计特征。这些特征随后根据分散度、贡献度和相关性进行筛选。随后，使用机器学习模型，包括四种基线算法和一个前馈神经网络，来估计退化模式。实验验证表明，前馈神经网络优于其他算法，在所有三种退化模式（即锂库存损失、正极活性材料损失和负极活性材料损失）上均方根误差约为 10%。本文的发现展示了机器学习在充电站场景中诊断电池退化模式的潜力。
引用
@article{arxiv.2412.10044,
title = {Data-Driven Quantification of Battery Degradation Modes via Critical Features from Charging},
author = {Yuanhao Cheng and Hanyu Bai and Yichen Liang and Xiaofan Cui and Weiren Jiang and Ziyou Song},
journal= {arXiv preprint arXiv:2412.10044},
year = {2024}
}