基于部分充电轨迹的商业钠离子电池深度学习状态估计：多温度衰老数据验证
机器学习
2025-09-11 v1
摘要
准确预测钠离子电池的健康状态对管理电池模块至关重要，关乎运营安全。然而，迄今为止缺乏钠离子电池衰老数据，导致高度准确的模型极其稀少。本研究实验性收集了 53 个单电池和两个电池模块，温度为 0、25、35 和 45 度 Celsius。通过利用充电轨迹，我们能够同时预测 SOC、容量和 SOH。这一目标通过设计一种新框架实现，该框架集成了神经常微分方程和 2D 卷积神经网络，以部分充电轨迹作为输入。充电轨迹被划分为多个片段，每个片段被输入网络以输出 SOC。对于容量和 SOH 预测，我们首先聚合来自一个循环中对应片段的提取特征，然后拼接温度嵌入块以进行最终预测。这种新方法消除了单个目标多个输出的问题。我们的模型在各种温度下的单电池 SOC 的 R^2 准确率达到 0.998，SOH 的 R^2 准确率达到 0.997。此外，训练好的模型可用于预测训练集之外的温度下的单电池以及不同容量和电流水平的电池模块。本研究结果突出了该模型的高准确性及其使用部分充电轨迹同时预测多个目标的能力。
引用
@article{arxiv.2504.00393,
title = {Deep learning for state estimation of commercial sodium-ion batteries using partial charging profiles: validation with a multi-temperature ageing dataset},
author = {Jiapeng Liu and Lunte Li and Jing Xiang and Laiyong Xie and Yuhao Wang and Francesco Ciucci},
journal= {arXiv preprint arXiv:2504.00393},
year = {2025}
}