基于物理学的神经网络用于离子电池降解的稳定建模和预后
Fujin Wang1,2, Zhi Zhai1,2, Zhibin Zhao3,4
1National and Local Joint Engineering Research Center of Equipment Operation Safety and Intelligent Monitoring, Xi'an Jiaotong University, Xi'an, 710049, Shaanxi, PR China.
Nature communications
|May 21, 2024
概括
一个新的物理信息神经网络 (PINN) 准确地估计了离子电池的健康状况 (SOH). 这种方法可以在各种条件下使用最小的数据来确保可靠的电池运行.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 人工智能的人工智能
背景情况:
- 准确的健康状况 (SOH) 估计对于离子电池的安全性和可靠性至关重要.
- 由于电池的多样性和不同的操作条件,现有的SOH估计方法面临挑战.
研究的目的:
- 开发一个基于物理学的神经网络 (PINN),用于准确而稳定的电池SOH估计.
- 为了使SOH估计适用于不同的电池类型和充/放电协议.
主要方法:
- 使用实证降解和状态空间方程建模电池退化.
- 使用神经网络来捕捉电池退化动态.
- 实施从短收费数据周期中提取一般特征的方法.
主要成果:
- 为了验证,使用了387个离子电池的综合数据集.
- 在SOH估计中获得了0.87%的平均绝对百分比误差 (MAPE).
- 与其他神经网络相比,在各种实验环境中表现出优异的性能.
结论:
- 拟议的PINN为离子电池提供了准确和稳定的SOH估计.
- 基于物理的机器学习显示了电池退化建模和SOH估计的巨大潜力.
更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
4.5K
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
1.5K
