AE-BPNN:基于自编码器和反向传播神经网络的模型,用于估计离子电池健康状况
Abdullah Ahmed Al-Dulaimi1,2,3, Muhammet Tahir Guneser4, Raghad Al-Shabandar5
1Department of Electrical and Electronics Engineering, Karabuk University, Karabuk, 78050, Turkey.
Scientific reports
|August 9, 2025
概括
本研究介绍了一种自编码器反向传播神经网络 (AE-BPNN),用于使用电化学阻抗光谱 (EIS) 数据准确估计离子电池健康状况 (SOH). 该AE-BPNN模型显著优于传统方法,为电池诊断提供了更可靠的方法.
科学领域:
- 电池技术 电池技术
- 电化学 电化学 电化学
- 机器学习 机器学习
背景情况:
- 离子 (Li-ion) 电池对于储能至关重要,但它们的性能随着时间的推移而恶化.
- 准确的健康状况 (SOH) 评估对于电池的寿命和安全至关重要.
- 电化学阻抗光谱 (EIS) 是一种强大的诊断工具,但实际实施面临挑战.
研究的目的:
- 开发一种基于数据的方法,使用EIS数据来估计离子电池的SOH.
- 引入一个自编码器反向传播神经网络 (AE-BPNN),用于无监督的特征提取和SOH预测.
- 为了将AE-BPNN模型的性能与既有回归技术进行比较.
主要方法:
- 使用自动编码器反向传播神经网络 (AE-BPNN) 来减少维度和从EIS数据中提取特征.
- 采用缩放结合梯度 (SCG) 和弹性反向传播 (RBP) 优化算法来改进网络参数.
- 在各种操作状态和温度 (25°C,35°C,45°C) 上对Eunicell细胞进行了实验.
主要成果:
- 与高斯过程回归 (GPR) 和支向量回归 (SVR) 相比,AE-BPNN模型在SOH估计中表现出更高的准确性.
- AE-BPNN实现了显著较低的根平均平方误差 (RMSE) 和平均绝对百分比误差 (MAPE) 值.
- AE-BPNN的特定平均RMSE值为0.0192 (35C02) 和0.0176 (45C02),表现优于GPR和SVR.
结论:
- 开发的AE-BPNN模型提供了一个高度准确和高效的方法,用于从EIS数据中估计离子电池的SOH.
- 这种数据驱动的方法克服了传统EIS实施的局限性.
- 这些发现证实了AE-BPNN在先进电池管理系统中的潜力.
更多相关视频
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
1.7K
10:41Three-electrode Coin Cell Preparation and Electrodeposition Analytics for Lithium-ion Batteries
Published on: May 22, 2018
37.4K
