Nyquist

使用带有阻抗奈奎斯特图的卷积神经网络评估锂离子电池的健康状态

摘要：为使锂离子电池保持安全运行状态并优化其性能，迫切需要对健康状态（SOH）进行精确评估，该状态指示锂离子电池的退化程度。本文提出了一个回归机器学习框架，该框架结合了卷积神经网络（CNN）和电化学阻抗谱（EIS）的奈奎斯特图作为特征来估计锂离子电池的SOH，显著提高了SOH估计的准确性。结果表明，基于EIS特征的奈奎斯特图比简单的阻抗值提供了有关电池老化的更详细信息，因为它能够反映阻抗随时间的变化。此外，与使用DNN模型的简单阻抗值以及其他传统机器学习方法（如高斯过程回归（GPR）和支持向量机（SVM））相比，CNN模型中的卷积层在从EIS测量数据中提取不同级别的特征和表征锂离子电池的退化模式方面更有效。