一个循环意识和基于物理的框架,用于预测电池剩余的使用寿命

科学领域:

• 电池健康监测 电池健康监测
• 机器学习用于能源系统

背景情况:

• 对离子电池的准确剩余使用寿命 (RUL) 预测对于系统的安全性和效率至关重要.
• 当前的深度学习方法往往缺乏域特异性,由于不规则采样的多变量传感器数据,阻碍了准确的降解建模.
• 像T-PATCHGNN这样的现有模型中的通用补丁技术可以分散充放电周期,削弱信号并限制真正的电池退化模式的学习.

研究的目的:

• 开发一个先进的深度学习模型,Bat-T-GNN,它集成了域名知识,用于增强的离子电池RUL预测.
• 通过结合具有物理意义的输入和目标来解决域异性方法的局限性.
• 通过改进的降解建模,在电池RUL预测中建立一个新的最先进的状态.

主要方法:

• 循环意识补丁:根据实际的充放电周期对时间序列数据进行细分,以提供连贯的,物理上有意义的输入.
• 物理知情一致性损失 (PINN-RUL):通过确保RUL预测与从数据中获得的物理可信的退化曲线保持一致来规范模型训练.
• 在深度学习架构的输入和目标层面整合领域知识.

主要成果:

• 拟议的 Bat-T-GNN 模型在公共电池退化基准上明显优于先前的先进方法,包括 T-PATCHGNN.
• 废除研究证实,循环意识补丁和PINN-RUL都是推动性能改进的关键组成部分.
• 该方法在预测离子电池剩余使用寿命方面表现出卓越的准确性.

结论:

• 通过有效地注入领域知识,Bat-T-GNN在电池RUL预测方面建立了一个新的最先进的技术.
• 循环意识细分和物理知情损失函数的整合导致更强大,更准确的电池健康预测.
• 这种基于领域的方法为推进储能系统的安全性和效率提供了有希望的方向.