充电电压

电池阻抗光谱频谱通过机器学习的部分充电电压曲线预测

电化学阻抗光谱（EIS）是锂离子电池健康诊断状态的有效技术，预计通过电池充电曲线预测阻抗光谱频谱预测有望在车辆操作过程中实现电池阻抗测试。然而，充电曲线和阻抗光谱之间的机械关系尚不清楚，这阻碍了基于EIS的预测技术的发展和优化。在本文中，我们通过电池充电电压曲线预测了阻抗光谱，并根据电化学机械分析和机器学习优化了输入。探索了充电曲线，增量容量曲线和阻抗频谱之间的内部电化学关系，从而改善了该预测的物理解释性，并有助于定义机器学习模型输入的适当部分电压范围。基于序列到序列的预测，已经采用了不同的机器学习算法来对所提出的框架进行验证。此外，评估了具有不同部分电压范围的不同部分电压范围的预测，并评估了不同的训练数据比，以证明所提出的方法具有较高的概括和鲁棒性。实验结果表明，适当的部分电压范围具有很高的精度，并且会收敛到电化学分析的发现。通过对电池内电化学反应的冠状分析选择的适当部分电压范围的阻抗光谱的预测误差小于1.9 m o。由Elsevier B.V.和科学出版社出版。即使电压范围降低到3.65–3.75 V，大多数RMSE的预测仍然可靠。2023年科学出版社和达利安化学物理研究所，中国科学院。这是CC下的开放式访问文章（http：//creati- vecommons.org/licenses/4.0/）。