基于循环的离子细胞的健康状况估计,使用深度学习架构
Bansilal Bairwa1, Kapil Pareek2, Vinay Kumar Jadoun3
1School of Electrical and Electronics Engineering, REVA University, Bengaluru, 560064, India.
Scientific reports
|October 23, 2025
概括
这项研究比较了用于离子电池健康状况 (SoH) 估计的深度学习模型. 多层感知器 (MLP) 和时间卷积网络 (TCN) 模型为电池管理系统提供了最佳的准确性和效率平衡.
科学领域:
- 电池技术 电池技术
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 准确的健康状况 (SoH) 估计对于电动汽车和储能系统至关重要.
- 深度学习模型为先进的电池管理系统提供了潜力.
研究的目的:
- 评估和比较四种基于循环的SoH预测在离子电池的深度学习模型.
- 确定嵌入式电池管理系统中最准确和计算效率最高的模型.
主要方法:
- 利用了NASA B0005,B0006和B0007离子电池的放电数据.
- 实施和评估了多层感知器 (MLP),门式循环单元 (GRU),长期短期记忆 (LSTM) 和时间卷积网络 (TCN) 模型.
- 通过放电电流的数值集成计算SoH,以初始容量进行正常化,并使用RMSE,MAE和R2指标进行评估.
主要成果:
- MLP和TCN模型在不同细胞中表现出高精度和稳定性,MLP在B0005.5上达到RMSE0.0069.
- GRU和LSTM模型需要更长的训练时间,但没有显著的准确性增长.
- MLP提供了精度和计算效率的最佳平衡,而TCN提供了具有中等复杂性的强大的精度.
结论:
- 数据驱动的深度学习方法有效地捕捉了离子电池的非线性降解行为.
- 由于其效率和准确性,MLP是嵌入式电池管理系统的合适选择.
- TCN是一种强大的替代品,提供强大的性能和可管理的复杂性.
