锂离子电池剩余使用寿命的两阶段早期预测框架
机器学习
2023-08-08 v1
摘要
剩余使用寿命（RUL）的早期预测对于从家用电器到大规模应用等各类行业中的有效电池管理至关重要。准确的 RUL 预测可提高电池技术的可靠性与可维护性。然而，现有方法存在局限性，包括假设数据来自相同传感器或分布、预先知晓寿命终止（EOL）、以及忽略确定首次预测周期（FPC）以识别不健康阶段的起始。本文提出一种用于锂离子电池 RUL 预测的新方法。所提框架包括两个阶段：使用基于神经网络的模型确定 FPC，将退化数据划分为不同的健康状态；并预测 FPC 之后的退化模式，以百分比形式估计剩余使用寿命。实验结果表明，所提方法在 RUL 预测方面优于传统方法。此外，该方法在实际场景中展现出前景，为电池管理提供了更高的精度与适用性。
引用
@article{arxiv.2308.03664,
title = {Two-stage Early Prediction Framework of Remaining Useful Life for Lithium-ion Batteries},
author = {Dhruv Mittal and Hymalai Bello and Bo Zhou and Mayank Shekhar Jha and Sungho Suh and Paul Lukowicz},
journal= {arXiv preprint arXiv:2308.03664},
year = {2023}
}
备注
Accepted at the 49th Annual Conference of the IEEE Industrial Electronics Society (IECON 2023)