机构名称：
¥ 3.0
锂离子电池在当今的应用中无处不在，从便携式电子设备到电动汽车。无论何种应用，车载计算机对电池健康状态 (SOH) 进行可靠的实时估计对于电池的安全运行至关重要，最终可保障资产的完整性。在本文中，我们设计并评估了一个机器学习管道，用于估计电池容量衰减（电池健康状况的指标），该管道基于 179 个在不同条件下循环的电池。该管道使用两个参数算法和两个非参数算法来估计电池 SOH 及其相关的置信区间。使用充电电压和电流曲线的片段，该管道设计了 30 个特征，执行自动特征选择并校准算法。当部署在快速充电协议下运行的电池上时，最佳模型实现了 0.45% 的均方根百分比误差。这项工作为可扩展数据驱动的电池 SOH 估计模型的设计提供了见解，强调了预测置信区间的价值。管道方法将实验数据与机器学习模型相结合，并可推广到需要实时估计 SOH 的其他关键组件。
用于电池健康状态评估的机器学习管道
主要关键词
相关文件推荐
