意识到不确定性的混合学习框架,用于快速和安全地充电离子电池,使用多忠度观察器
C H Hadassa Parimala1, P Srinivasa Varma1, Rangu Seshu Kumar2
1Department of EEE Koneru Lakshmaiah Education Foundation, Green Fields, Vaddeswaram, 522302, A.P, India.
本研究引入了一个不确定性意识混合学习框架,用于精确估计电动汽车 (EV) 中的离子电池充电状态 (SoC). 该模型确保安全和准确的实时SoC预测,即使在具有挑战性的热和动态条件下.
科学领域:
- 电池技术 电池技术
- 人工智能的人工智能
- 电动汽车系统 电动汽车系统
背景情况:
- 精确的充电状态 (SoC) 估计对于电动汽车 (EV) 的离子电池性能,安全性和寿命至关重要.
- 快速充电期间的动态和热变化条件对实时SoC预测准确性构成重大挑战.
- 现有的方法往往难以提供可靠的不确定性量化与SoC估计一起.
研究的目的:
- 开发一个不确定性意识的混合学习框架,用于精确和安全的实时 SoC 预测离子电池.
- 使用负日志概率 (NLL) 损失量化预测不确定性,在动态和热条件下提高安全性.
- 评估框架对传感器故障和热扭曲的强度.
主要方法:
- 集成多真实电化学观测器输出与调多层感知器 (MLP) 回归器.
- 实时估计高保真性SoC,通过NLL损失量化不确定性.
- 使用修改后的数据集模拟传感器故障和热扭曲的案例研究.
主要成果:
- 在干净条件下达到0.9921的R2峰值和0.000021的MSE峰值.
- 在热噪声下,经过重新训练的MLP表现出强烈的泛化,R2为0.9657,MSE为0.00053,预测区间覆盖概率 (PICP) 为0.975,平均预测区间宽度 (MPIW) 为0.200.
- 对比评估证实了MLP与其他机器学习模型相比具有卓越的适应性和稳定性.
结论:
- 拟议的不确定性意识混合学习框架为离子电池提供了准确和安全的实时SoC估计,特别是在具有挑战性的电动汽车运行条件下.
- 该框架能够量化不确定性,使其适用于实时电池管理系统 (BMS).
- 这种方法为电动汽车未来的热感知预测控制策略提供了基础,突出了观察模型和学习算法之间的协同作用.
更多相关视频
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
10:41Three-electrode Coin Cell Preparation and Electrodeposition Analytics for Lithium-ion Batteries
Published on: May 22, 2018
相关概念视频
Batteries and Fuel Cells
Charging Conductors By Induction
Generally, conductors like metals do not allow any excess charge to be present on them. Any excess charge added to metals easily flows away, for example, when a metal is placed on the Earth. This process is called earthing.
However, conductors can be charged by a process called induction. For example, consider charging a...
Uncertainty: Overview
Continuous Charge Distributions
The electric charge can also be subjected to an analogical...
Multi-input and Multi-variable systems
In the absence of...
Fast Decoupled and DC Powerflow
