机构名称：
¥ 2.0
锂离子电池（LIBS）广泛用于许多田地，例如电动汽车和能源存储，直接影响设备性能和安全性。因此，健康状况（SOH）评估对于LIB使用至关重要。但是，大多数现有数据驱动的SOH建模方法忽略了电池健康预测的固有不确定性，这降低了模型的可靠性。为了解决这个问题，本文提出了一个基于深度学习框架的新型SOH评估模型。SOH结果源自深度特征的分位分布，从而使SOH值具有相关的置信区间。这增强了SOH评估结果的可靠性和概括。此外，为了完成深层模型的优化，开发了基于Wasserstein距离的分位数Huber（QH）损耗函数。此功能集成了Huber损耗和分位回归损失，从而使模型可以根据分布输出进行优化。使用NASA数据集对所提出的方法进行了验证，结果证实了所提出的方法可以在考虑不确定性时有效地估计LIB的SOH。SOH分布的合并增强了SOH评估模型的可靠性和概括能力。
期刊预释放-Aston Publications Explorer
主要关键词
相关文件推荐
