使用数据驱动机器学习预测离子电池的循环寿命,使用三极阴极材料
Long Li1, Pengfei Yue1, Chongnian Tang2
1Inner Mongolia Power Group Co. Ltd., Hohhot 010010, China.
ACS omega
|November 10, 2025
概括
机器学习模型准确地预测了离子电池寿命. XGBoost在预测三元阴极电池剩余使用寿命 (RUL) 时实现了11.8%的错误,这对于电动汽车和电网存储至关重要.
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
- 数据科学数据科学数据科学
背景情况:
- 带有三元阴极的离子电池对于电动汽车和电网存储至关重要,因为它们的能量和功率密度很高.
- 预测容量衰减和剩余使用寿命 (RUL) 对电池性能管理至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测三元阴极离子电池的RUL.
- 通过使用不同数量的初始循环数据来评估模型准确性.
主要方法:
- 使用了弹性网,随机森林和XGBoost机器学习算法.
- 在公开可用的离子电池循环数据上训练模型.
- 根据平均绝对误差 (MAE) 或类似指标评估预测准确性.
主要成果:
- 在使用前100个数据周期时,XGBoost模型以11.8%的误差实现了最高的预测准确度.
- 在只训练前30个周期时,预测误差增加到17.0%.
- 所有模型都显示了RUL预测的潜力,性能根据数据量而异.
结论:
- 机器学习,特别是XGBoost,为准确的电池RUL预测提供了一个有希望的方法.
- 早期的循环数据可能足以进行可靠的RUL估计.
- 准确的RUL预测对电动汽车和电网存储系统的维护有重大影响.
更多相关视频
10:41Three-electrode Coin Cell Preparation and Electrodeposition Analytics for Lithium-ion Batteries
Published on: May 22, 2018
38.7K
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
5.2K
