通过捕捉电池老化当前状态与演化速率提升原位寿命预测与分类性能
机器学习
2023-08-29 v1 系统与控制
系统与控制
摘要
本研究提出一种通过捕捉电池老化状态与退化速率以提升寿命预测性能的方法。老化状态由从电压弛豫数据中提取的等效电路模型的六个物理特征表征；退化速率由在滑动窗口内电压弛豫曲线之间的差异（用于寿命预测）或不同循环下容量-电压曲线之间的差异（用于寿命分类）所提取的两个特征捕捉。基于高斯过程构建的两个机器学习模型分别用于描述这些物理特征与电池寿命之间的关系，以实现寿命预测与分类。该方法使用三种不同类型共74个电池单体的老化数据进行验证。实验结果表明，仅基于3–12分钟的采样数据，采用新特征的方法即可准确预测电池寿命，与基准方法相比预测精度最高提升67.09%；且仅基于两个相邻循环的信息，即可将电池分为长、中、短三组，总体准确率超过90%，从而实现退役电池的高效重组。
引用
@article{arxiv.2308.13996,
title = {Improve in-situ life prediction and classification performance by capturing both the present state and evolution rate of battery aging},
author = {Mingyuan Zhao and Yongzhi Zhang},
journal= {arXiv preprint arXiv:2308.13996},
year = {2023}
}