估计离子电池健康状况使用MHATTCN网络与多个健康指标输入输入
Feng-Ming Zhao1, De-Xin Gao2, Yuan-Ming Cheng1
1Department of Automation and Electronic Engineering, Qingdao University of Science and Technology, Qingdao, 266061, China.
Scientific reports
|August 8, 2024
概括
这项研究引入了一种用于预测离子电池健康状况的新方法,改善了剩余使用寿命估计. 多头注意时间卷积网络 (MHAT-TCN) 提高了准确性,特别是在电池寿命早期阶段.
科学领域:
- 电池技术是电池的技术.
- 对于能源系统的机器学习.
背景情况:
- 准确的健康状况 (SOH) 预测对于离子电池寿命估计至关重要.
- 目前的数据驱动方法需要大量的培训数据,限制了早期的健康评估.
- 电池性能受到电压,电流和温度等参数的影响.
研究的目的:
- 开发一种新的深度学习模型,用于准确的离子电池SOH预测.
- 为应对电池早期运行阶段有限的数据可用性所带来的挑战.
- 改进离子电池的剩余使用寿命 (RUL) 的估计.
主要方法:
- 引入多头注意时间卷积网络 (MHAT-TCN).
- 整合了多头注意力学习和随机断.
- 使用灰色关系分析 (GRA) 进行健康指标 (HI) 选择.
- 在模型评估中应用一次性交叉验证 (LOOCV).
主要成果:
- 在预测电池SOH时,MHAT-TCN模型表现出卓越的性能.
- 对选定的健康指标 (HI) 的培训显著提高了模型的准确性.
- 该模型能够在整个电池运行期间准确地预测SOH.
- 在类似的电池模型上进行预训练可以提高目标电池预测能力.
结论:
- MHAT-TCN为精确的离子电池SOH预测提供了强大的解决方案.
- 拟议的方法有效地克服了早期电池寿命中的数据限制.
- 这种方法提高了电池剩余使用寿命估计的可靠性.
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
