通过深度学习方法高效估计和集群离子电池.

科学领域:

• 材料科学 材料科学 材料科学
• 电化学 电化学 电化学
• 机器学习 机器学习

背景情况:

• 能源存储需求的增加凸显了对有效的离子电池 (LIB) 回收的需求.
• 准确的健康状况 (SOH) 评估对于对退休的LIB进行二次应用的分类至关重要.
• 服务条件的变化导致电池组内的各种容量色行为.

研究的目的:

• 开发一个深度学习框架,用于快速和可转移的SOH估计和电池分类.
• 整合电化学,机械和热特性,以提高预测准确度.
• 为了使用最小的历史数据实现准确的SOH预测,并促进适应新的电池化学.

主要方法:

• 开发一个深度学习框架,利用深度神经网络.
• 整合相互连接的电化学,机械和热特性.
• 在各种条件和电极系统中验证模型的性能.

主要成果:

• 使用组合特征,在SOH估计中获得了高精度,平均绝对误差 (MAE) 为0.822%,根平均平方误差 (RMSE) 为1.048%.
• 在各种操作条件下表现出强大的性能.
• 仅使用前一个周期的数据启用了准确的SOH预测.
• 展示了适应不同电极系统的适应性,并获得了最小的额外培训数据.

结论:

• 开发的深度学习框架为SOH估计和电池分类提供了快速,可转移和准确的方法.
• 突出SOH评估的关键特征是有效的电池回收和可持续能源储存的关键.
• 该模型能够用有限的数据进行概括和执行的能力支持其在电池生命周期管理中的实际应用.