域知识导向的机器学习框架用于估计离子电池的健康状况
Andrea Lanubile1, Pietro Bosoni1, Gabriele Pozzato1
1Energy Science & Engineering, Stanford University, Stanford, CA, USA.
Communications engineering
|November 12, 2024
概括
我们为电动汽车电池开发了五个新的健康指标,使用机器学习来准确估计健康状况. 这种方法即使使用不完整的数据也可行,改善了电池管理.
科学领域:
- 电化学能量储存系统 电化学能量储存系统
- 电池管理系统 电池管理系统
- 机器学习在工程中的应用.
背景情况:
- 准确的电池健康状况 (SoH) 估计对于电动汽车 (EV) 电池管理至关重要.
- 当前的方法经常与现实世界的操作数据和缺少的信息作斗争.
- 了解电池退化机制 (能量和功率衰减) 是可靠的SoH评估的关键.
研究的目的:
- 为电动汽车电池提出新的,在线可提取的健康指标.
- 开发一个机器学习模型,使用这些指标来准确估计SoH.
- 为了在各种操作条件下实现实时电池退化监控.
主要方法:
- 从在线,现实世界的EV运营数据中提取了五个新的健康指标.
- 开发基于机器学习的方法,特别是线性回归,用于SoH估计.
- 在EV条件下使用5个老旧电池电池的实验数据进行验证.
主要成果:
- 拟议的指标提供了对电池能量和功率衰减的物理见解.
- 即使部分缺少数据,也实现了准确的容量估计.
- 使用功率自关联和基于能源的特征的模型产生了1.5%至2.5%的最大绝对百分比误差.
结论:
- 开发的健康指标和机器学习模型为实时EV电池SoH估计提供了强大的方法.
- 该方法通过早期检测退化,促进了有效的电池管理.
- 该方法处理不完整数据和各种操作条件的能力提高了其实际适用性.
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
1.4K
