基于多源阻抗与放电特征学习的锂离子电池跨电池健康状态评估
《Batteries》:Multi-Source Impedance and Discharge Feature Learning for Cross-Battery State-of-Health Estimation of Lithium-Ion Batteries
【字体:
大
中
小
】
时间:2026年08月07日
来源:Batteries 4.8
摘要
准确估算锂离子电池的健康状态对于确保其稳定运行至关重要。然而,由于不同电池的退化行为存在差异,预测那些未曾出现过的电池的健康状态仍然是一项挑战。本研究提出了一种多源特征学习框架,该框架结合了电化学阻抗谱分析、放电曲线以及与老化相关的信息,用于实现不同电池之间的健康状态估算。研究人员利用美国国家航空航天局电池老化数据集中的34块电池的电化学阻抗谱和放电数据,构建了1830组匹配的阻抗与健康状态样本。从原始阻抗谱、处理后的阻抗谱、NASA提供的阻抗参数、放电曲线以及与充电循环相关的信息中,共提取出了101个特征。研究采用了随机森林、额外树模型、梯度提升模型、直方图梯度提升模型以及极端梯度提升模型这五种算法,并通过随机抽样分割和严格的单电池验证方式对它们进行了性能评估。在随机验证下,梯度提升模型的表现最佳,决定系数达到了0.9788。而在严格的单电池验证中,额外树模型的平均绝对误差为4.9131个百分点,均方根误差为7.3664个百分点,决定系数为0.7855。这两种验证方式之间的性能差异表明,在评估模型对未知电池的适用性时,按电池组进行评估非常重要。总体而言,研究结果表明,结合阻抗数据和放电数据可以为不同电池之间的健康状态估算提供有力的依据,不过仍需在更广泛的运行条件下进行进一步的验证。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号