机构名称：
¥ 2.0
降低的电池寿命模型由各种老化模式的代数表达式组成，被广泛用于外推降解趋势，从加速老化测试到现实世界中的老化场景。识别高准确性和低不确定性的模型对于确保模型外推可以可信至关重要，但是，很难构成准确预测多元数据趋势的表达式。对文献的循环退化模型的回顾揭示了各种功能关系。在这里，一种机器学习辅助模型识别方法用于在一个出色的LFP-gr衰老数据集中降级，并通过Bootstrap重新采样量化了不确定性。这项工作中确定的模型导致了人类专家模型的平均绝对误差的一半。模型通过转换为状态方程式并比较在不同负载下对细胞衰老的预测进行验证。参数不确定性被带入一个储能系统模拟中，以估计衰老模型不确定性对系统寿命的影响。此处使用的新模型识别方法可将人寿预测的不确定性降低3倍以上（人类杂货模型10年时的相对容量为86％±5％，机器学习辅助模型为88.5％±1.5％），赋予能力储存系统生命周期的更耐心估计的能力。©2022作者。由IOP Publishing Limited代表电化学学会出版。[doi：10.1149/1945-7111/ac86a8]这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。
机器学习辅助识别具有不确定性的精确电池寿命型
主要关键词
相关文件推荐
