机构名称：
¥ 1.0
锂离子电池（LIB）吸引了广泛的关注，作为电动汽车（EV）的有效储能设备，以实现无排放的迁移率。但是，Libs的性能随时间和使用而恶化，并且二手电池的健康状况很难量化，迄今为止，人们对此很了解。对电池在不同生活阶段的剩余寿命进行准确的估计将使维护，安全性受益，并用作用于二人应用的合格用过的电池的手段。由于电池的完整历史记录可能并不总是在下游应用程序中可用，因此在这项研究中，我们展示了一个深度学习框架，该框架可以使动态降解轨迹预测预测，同时仅需要最新的电池使用信息。具体来说，我们的模型采用了当前和电压时间序列输入的滚动窗口，并通过复发性神经网络预测了近期和长期容量的淡出。，我们通过评估在不同设置下重建排放能力概况时的误差来详尽地基准与天真的外推模型进行基准测试。我们表明，对于细胞循环历史及其当前的健康状况，我们的模型在准确推断电池的降解概况方面的性能不可知。这种方法可以为评估运行车辆的电池健康，增强电池诊断的电池健康提供有前途的途径，并确定具有未知循环历史记录的二手电池的健康状况。
历史 - 不合时宜的 - 降解推理。 ...
主要关键词
相关文件推荐
