用于锂电池寿命早期预测的灵活并行神经网络架构模型
机器学习
2024-08-27 v1 人工智能
计算工程、金融与科学
摘要
电池寿命早期预测（EPBL）对于提高锂电池效率和延长其使用寿命至关重要。由于不同EPBL任务中的数据分布多样，具有固定架构的传统模型常常会遇到欠拟合或过拟合问题。本文提出了一种可解释的灵活并行神经网络（FPNN）深度学习模型，该模型包含一个InceptionBlock、一个三维卷积神经网络（3D CNN）、一个二维卷积神经网络（2D CNN）和一个双流网络。所提出的模型利用3D CNN从类视频格式的数据中有效提取电化学特征，并通过InceptionBlock实现先进的多尺度特征抽象。FPNN可以自适应地调整InceptionBlock的数量，以灵活处理EPBL中不同复杂度的任务。在MIT数据集上的测试表明，FPNN模型在EPBL任务中取得了出色的预测精度，当输入的循环数据量分别为10、20、30和40时，平均绝对百分比误差（MAPEs）分别为2.47%、1.29%、1.08%和0.88%。FPNN的可解释性主要体现在其灵活的单元结构和参数选择上：其多样化的分支结构使模型能够捕获不同尺度的特征，从而使机器能够学习到信息丰富的特征。本文提出的方法为锂电池的早期寿命预测提供了一种准确、适应性强且易于理解的解决方案，为电池健康监测领域开辟了新的可能性。
引用
@article{arxiv.2401.16102,
title = {Flexible Parallel Neural Network Architecture Model for Early Prediction of Lithium Battery Life},
author = {Lidang Jiang and Zhuoxiang Li and Changyan Hu and Qingsong Huang and Ge He},
journal= {arXiv preprint arXiv:2401.16102},
year = {2024}
}