高C率Li-NMC/石墨袋细胞寿命末期预测通过循环依赖的变化和机器学习
Jung-Goo Choi1,2, Jethro Daniel Pascasio1,2, Jaeyoung Lee1,2,3
1Department of Environment and Energy Engineering, Gwangju Institute of Science and Technology (GIST), 123 Cheomdangwagi-Ro, Buk-gu, Gwangju 61005, Republic of Korea. jaeyoung@gist.ac.kr.
Dalton transactions (Cambridge, England : 2003)
|June 2, 2025
概括
准确预测离子电池的使用寿命 (EoL) 是至关重要的. 本研究使用机器学习和增量容量分析来预测电池退化,提高电动汽车的安全性和可靠性.
科学领域:
- 电化学 电化学 电化学
- 材料科学 材料科学 材料科学
- 机器学习 机器学习
背景情况:
- 对离子电池的精确寿命终止 (EoL) 预测对于电动汽车 (EV) 和储能系统 (ESS) 来说至关重要.
- 在高C率条件下的电池退化会影响安全性,可靠性和成本效益.
- 现有的方法可能无法完全捕捉复杂的降解模式.
研究的目的:
- 在高C率条件下研究Li-NMC/石墨袋细胞的降解特征.
- 开发和验证基于机器学习的预测模型,用于EOL估计.
- 通过可靠的健康监测来增强电池管理系统 (BMS).
主要方法:
- 利用增量容量分析 (ICA) 来提取电化学降解特征.
- 采用集体机器学习模型:随机森林,梯度提升和CatBoost.
- 训练并测试模型来预测健康状态 (SoH) 达到80%的周期数.
主要成果:
- 梯度增强模型证明了EoL的最高预测准确性.
- 取得了17.63的根平均平方误差 (RMSE) 和3.11的平均绝对百分比误差 (MAPE).
- 成功地以高精度预测了循环寿命.
结论:
- 数据驱动的机器学习方法为电池健康监测提供了可靠的方法.
- 拟议的框架大大推进了电动汽车和ESS的预测性维护策略.
- 准确的EoL预测提高了电池的安全性,可靠性和经济可行性.
