通过混合粒度图形建模提高离子电池健康预测
Chuang Xing1, Hangyu Liu2, Zekun Zhang3
1College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
准确预测离子电池健康状况需要分析复杂的时间数据. 新的混合粒度演变意识图 (HEAG) 模型有效地捕捉了详细和广泛的模式,以改善安全预测.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 数据科学数据科学数据科学
背景情况:
- 准确的离子电池健康预测对于运营安全和性能至关重要.
- 现有的方法在时间序列数据中难以捕捉粗粒度和细粒度的时间依赖性.
- 过度依赖粗粒度或细粒度分析导致预测准确度低于最佳,原因是忽略了波动或过度拟合.
研究的目的:
- 开发一个先进的模型来预测离子电池的健康状况.
- 解决捕获多粒度时间依赖的现有方法的局限性.
- 提高电池健康预测的准确性和可靠性.
主要方法:
- 介绍混合粒度演变的意识图 (HEAG) 模型.
- 使用微粒度依赖图 (FDG) 来在个别时间点上建模相互依赖的顺序.
- 使用粗粒度依赖图 (CDG) 来捕捉跨系列的时间模式和大小变化.
主要成果:
- 与所有基线方法相比,HEAG模型在两个数据集中表现出优异的性能.
- 废弃性研究证实了HEAG模型中各个组件的显著贡献.
- 该模型成功地整合了细粒度和粗粒度时间依赖性分析.
结论:
- HEAG模型在离子电池健康预测方面取得了重大进展.
- 混合粒度的方法有效地捕捉了复杂的时间动态,这对于准确的预测至关重要.
- 这种方法提高了离子电池应用中的安全性和可靠性.
更多相关视频
10:41The Effect of Charging and Discharging Lithium Iron Phosphate-graphite Cells at Different Temperatures on Degradation
Published on: July 18, 2018
15.5K
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
