机构名称：
¥ 6.0
气候变化的紧迫性日益增长导致电气化技术领域的增长，在该领域中，电池已经成为可再生能源过渡中的重要作用，支持了智能电网，储能系统和电动汽车等环保技术的实施。电池电池降解是表明电池使用情况的常见情况。在操作过程中优化锂离子电池降解有益于预测未来降解的预测，从而最大程度地减少了导致功率褪色和容量褪色的降解机制。该学位项目旨在根据使用深度学习方法基于容量来调查电池降解预测。通过使用非破坏性技术分析锂离子细胞的电池降解和健康预测。使用多通道数据，例如获得ECM的电化学阻抗光谱和三种不同的深度学习模型。此外，AI模型是使用多通道数据设计和开发的，并在MATLAB中评估了性能。结果表明，EIS测量的阻力增加，是持续的电池老化过程（例如损耗O活动材料，固体电解质相间相间增厚和锂电池）的持续抗性。AI模型表明了准确的容量估计，LSTM模型基于使用RMSE的模型评估揭示了出色的性能。这些发现突出了仔细管理电池充电过程的重要性，并考虑了导致退化的因素。理解降解机制可以开发策略来减轻衰老过程并延长电池寿命，最终导致性能改善。
使用深度学习的电池容量预测
主要关键词
相关文件推荐
