机构名称：
¥ 6.0
准确预测锂离子电池 (LIB) 的剩余使用寿命 (RUL) 对于提高 LIB 供电应用的运行效率和安全性至关重要。它还促进了电池设计流程的改进和快速充电方法的发展，从而最大限度地缩短循环测试时间。虽然人工神经网络 (ANN) 已成为这项任务的有前途的工具，但在不同的数据集和优化策略中确定最佳架构并非易事。为了应对这一挑战，开发了一个机器学习框架来系统地评估不同的 ANN 架构。仅利用在不同充电策略下循环的 124 个锂离子电池的 30% 的训练数据集，在此框架内进行超参数优化。这确保了每个模型在其最佳配置下进行评估，从而有助于对 RUL 预测任务进行平衡比较。此外，该研究还考察了不同循环窗口对模型功效的影响。采用分层分区方法强调了在不同子集之间统一数据集表示的重要性。值得注意的是，表现最佳的模型仅使用 40 个周期的逐周期特征，就实现了 10.7% 的平均绝对百分比误差。
亮点
主要关键词
相关文件推荐
