机构名称：
¥ 1.0
锂离子电池的安全可靠操作需要准确预测剩余使用寿命（RUL）。但是，由于各种老化机制，各种操作条件和有限的测量信号，此任务具有挑战性。尽管将数据驱动的方法视为一种承诺解决方案，但它们忽略了内在的电池物理学，导致准确性损害，效率低和低解释性。在回应中，本研究将领域知识纳入深度学习，以增强规则预测的绩效。我们仅使用单个充电曲线来证明准确的RUL预测。首先，开发了一个可普遍的基于物理的模型，以提取与年龄相关的参数，可以描述和解释电池充电数据中的电池降解。参数为深度神经网络（DNN）告知以高精度和效率来预测RUL。考虑到充满电和部分充电的案件，训练有素的模型在3种情况下的3种电池下进行了阀门。仅使用来自一个周期的数据，所提出的方法的平均平方误差（RMSE）为11.42循环，平均为3.19％的平均绝对相对误差（MARE），与两种最新数据驱动的方法相比，平均为3.19％，低于45％和44％。除了其准确性外，所提出的方法还优于现有方法，从效率，输入负担和健壮性方面。进一步揭示了模型参数与电池降解机制之间的固有关系，证明了该方法的内在优势。2024年科学出版社和达利安化学物理研究所，中国科学院。由Elsevier B.V.和科学出版社出版。这是CC下的开放式访问文章（http：//creati- vecommons.org/licenses/4.0/）。
能量化学杂志
主要关键词
相关文件推荐
