利用生成式AI生成全面的锂电池充电数据
机器学习
2024-10-07 v1 信号处理
摘要
在优化锂电池性能和延长其使用寿命方面，准确的状态预测至关重要。传统的回归和分类方法在电池状态预测中已取得一定成功。然而，这些数据驱动方法的有效性在很大程度上依赖于公共数据集的可用性和质量。此外，主要通过电池实验生成电化学数据是一个漫长且成本高昂的过程，使得获取高质量的电化学数据颇具挑战。这一困难，加上数据不完整性，显著影响了预测精度。针对这些挑战，本研究引入了寿命终止（EOL）和等效循环寿命（ECL）作为生成式AI模型的条件。通过将嵌入层集成到CVAE模型中，我们开发了精炼条件变分自编码器（RCVAE）。通过将数据预处理为准视频格式，我们的研究实现了电化学数据（包括电压、电流、温度和充电容量）的集成合成，然后由RCVAE模型处理。结合定制的训练和推理算法，该模型可以在监督条件下为EOL和ECL生成特定的电化学数据。该方法为用户提供了全面的电化学数据集，开创了锂电池数据人工合成的新研究领域。此外，基于详细的合成数据，可以计算各种电池状态指标，为锂电池性能预测提供了新的视角和可能性。
引用
@article{arxiv.2404.07577,
title = {Generating Comprehensive Lithium Battery Charging Data with Generative AI},
author = {Lidang Jiang and Changyan Hu and Sibei Ji and Hang Zhao and Junxiong Chen and Ge He},
journal= {arXiv preprint arXiv:2404.07577},
year = {2024}
}