基于含硅石墨负极的电动汽车电池概率滞后系数预测
机器学习
2026-05-12 v1 信号处理
摘要
含硅石墨负极的电池具有更高的能量密度和 improved 充电性能，但引入显著的电压滞后，使得电荷态估计（State-of-Charge, SoC）尤其具有挑战性。现有滞后建模方法要么依赖详尽的高保真测试，要么仅针对传统石墨负极的锂离子电池进行建模，且未考虑不确定性量化或计算约束。本文提出一种数据驱动的方法，用于概率性滞后系数预测，特别强调针对含硅石墨负极电池的应用。提出一种数据融合框架，以标准化不同操作条件下的异构驾驶循环。应用统计学习和深度学习模型，在考虑计算效率的前提下评估预测滞后系数并量化不确定性。通过 retraining、零样本预测、fine-tuning 和 joint training 等实验，评估最优模型配置在未见电动汽车型号中的可泛化性。通过解决 SoC 估计中的关键挑战，该研究促进了先进电池技术的采纳。更多信息请访问：https://runyao-yu.github.io/Porsche_Hysteresis_Factor_Prediction/
引用
@article{arxiv.2603.09103,
title = {Probabilistic Hysteresis Factor Prediction for Electric Vehicle Batteries with Graphite Anodes Containing Silicon},
author = {Runyao Yu and Viviana Kleine and Philipp Gromotka and Thomas Rudolf and Adrian Eisenmann and Gautham Ram Chandra Mouli and Peter Palensky and Jochen L. Cremer},
journal= {arXiv preprint arXiv:2603.09103},
year = {2026}
}
备注
11 pages, 5 figures, 6 tables