2024年10月29日 · 实验采用美国国家航天局（NASA）艾姆斯氏研究中心（Ames Research Center）的锂离子电池寿命试验公开数据 集,选取 B0005、B0006、B0007 以及 B0018 四个电池的实验数据进行仿真验证。 实验环境在室温下进行,在实验 过程中首先以 1.5A 恒流充电,直到电池电压达到 4.2V,然后再恒压下继续充电,直到充电电流下降到 20mA；接着以 2A 恒流进行
2020年5月2日 · 以锂电池工作电压、电流以及温度为输入量,电池SOC为输出量使用LSSVM建立非线性系统模型,并利用分布估计算法对模型正则化参数 λ λ 和径向基核宽度 μ μ 进行优化,从而得到最高优模型。 仿真结果表明,与常规的锂电池SOC预测模型相比,本文提出的EDA-LSSVM方法具有较高的SOC预测精确度。 关键词: 锂电池, 荷电状态预测, 分布估计算法, 最高小二乘支持向量
2023年5月26日 · 本文提出了一种基于LSTM长短期记忆神经网络的锂电池寿命预测方法。该方法利用LSTM神经网络强大的时序建模能力,可以学习到锂电池容量随时间变化的规律,并据此预测锂电池的剩余寿命。
2024年7月31日 · 本文针对锂电池RUL建模研究的科学问题,综述了ML算法在预测电池RUL领域的最高新进展,重点介绍数据驱动的电池管理、预测建模以及利用ML方法来提高电池性能和寿命方面的突破。
2024年5月22日 · 本综述全方位面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。 基于模型的方法包括电化学模型、等效电路模型和经验退化模型；基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。 本文详细分析了每种方法的
2024年10月25日 · 本文针对锂电池RUL建模研究的科学问题,综述了ML算法在预测电池RUL领域的最高新进展,重点介绍数据驱动的电池管理、预测建模以及利用ML方法来提高电池性能和寿命方面的突破。
2024年1月2日 · 本文提出了一种基于LSTM长短期记忆神经网络的锂电池寿命预测方法。该方法利用LSTM神经网络强大的时序建模能力,可以学习到锂电池容量随时间变化的规律,并据此预测锂电池的剩余寿命。
2024年6月24日 · 针对锂离子电池RUL的预测精确度不精确确问题,首先,利用对锂离子电池退化趋势敏感的容量增量曲线（Incremental Capacity,IC）提取不同恒流充电电压间隔的多健康因子（Health Factor,HF）表征电池容量退化,并采用斯皮尔曼系数法分析多HF与容量的相关
2022年4月20日 · 重点研究了近年来用于锂离子电池状态评估与RUL预测的技术、算法和模型,比较了各类预测方法的优缺点。 锂离子电池实际运行工况、环境变化较大,且自身为高度复杂的动态、非线性电化学系统,这使得现有的锂离子电池状态评估及RUL预测方法在实际应用中
2024年7月16日 · 预测锂离子电池剩余使用寿命 (remaining useful life,RUL)对于确保电池的安全方位和可信赖使用至关重要。 首先,针对电池容量序列因容量回升及外界干扰呈非线性变化、目标电池退化数据稀少,全方位生命周期数据难以获取的问题,本文结合变分模态分解 (variational mode decomposition,VMD)和排列熵 (permutation entropy,PE)的优势,对已有的其他类似衰退模