Enhanced Battery Degradation-Aware Scheduling for Distribution Network with Electric Vehicle Load
该研究针对电池退化对配电网的影响问题,构建兼顾成本与电网性能的多目标调度框架,提出基于ε-约束和模糊逻辑的Bach方法,经IEEE 33节点网络验证可实现多目标优化且具备定制灵活性。
2024-07-09 cs.SY eess.SY
Hierarchical Deep Learning Model for Degradation Prediction per Look-Ahead Scheduled Battery Usage Profile
本文提出分层深度学习电池退化量化模型HDL-BDQ,通过两个顺序深度神经网络根据BESS运行曲线准确估计退化,并采用学习与优化解耦算法将其用于微电网前瞻调度,性能优于现有退化模型。
2024-10-22 cs.SY eess.SY
Optimal Scheduling of Battery Storage Systems in the Swedish Multi-FCR Market Incorporating Battery Degradation and Technical Requirements
本文提出一种考虑电池退化和瑞典FCR市场技术要求的MILP优化模型,用于电池储能系统参与多FCR市场的调度,仿真表明1MW/1MWh系统年利润可达70.8万欧元,并可在不明显影响利润的情况下降低5%-29%的电池老化成本。
2024-06-11 cs.SY eess.SY
Robust and learning-augmented algorithms for degradation-aware battery optimization
University of Oxford(牛津大学);Brookfield Renewable North America(布鲁克菲尔德可再生能源北美公司)
本文提出了一种鲁棒且基于学习的算法,用于在考虑电池降解影响的情况下优化电网级储能系统的收益。
2026-01-23 cs.SY eess.SY
A Transferable Physics-Informed Framework for Battery Degradation Diagnosis, Knee-Onset Detection and Knee Prediction
提出一种可迁移的物理信息框架,结合直方图特征工程、混合物理信息模型与微调策略,实现电池退化诊断、拐点起始检测与拐点预测,提升在线BMS功能。
2025-08-15 cs.SY eess.SY
Optimal Participation of Price-maker Battery Energy Storage Systems in Energy and Ancillary Services Markets Considering Degradation Cost
本文提出了一个双层优化框架,以研究最优的市场运营策略的价格制造商电池储能系统(BESS)在实时能源,旋转储备,并支付作为性能监管市场,特别侧重于了解BESS的过度监管市场参与观察到的几个系统运营商和电池退化成本对BESS市场活动的影响。一个准确的电池退化代价函数被集成到BESS的战略投标模型。提出了一种自动发电控制(AGC)信号调度模型,在双层框架下部署AGC信号。当考虑电池退化和详细的AGC信号跟踪活动时,这使得能够对BESS在频率调节市场中的操作特性进行彻底的研究。案例研究的合成系统与现实世界的数据进行研究BESS利润最大化和批发市场业务之间的相互作用,考虑系统的年度负荷和辅助服务需求的变化。BESS容量和重置成本的影响,其收入从能源和辅助服务市场的影响也进行了研究。
2021-10-21 cs.SY eess.SY
Predictive Control of Rural Microgrids with Temperature-dependent Battery Degradation Cost
离网系统已成为农村电气化的可持续和具有成本效益的解决办法。在撒哈拉以南非洲(SSA),已经安装或规划了大量的太阳能混合微电网,独立运行或与弱电网并网运行。间歇性能源的存在需要为系统平衡提供能量存储。这些农村微电网的可靠性和经济性能在很大程度上取决于特定的控制策略。这项工作开发了一个预测控制框架,致力于农村微电网纳入温度依赖性电池退化模型。基于一个可扩展的直流光伏电池微电网,现实的仿真表明,其优越的性能,在提高可靠性和降低成本。与不考虑温度相关电池退化模型的日前控制相比,该控制策略可使可靠性提高5.5%,铅酸电池寿命延长26%,相当于降低13%的平准化电力成本(LCOE)。
2020-05-22 cs.SY eess.SY
Predicting BESS Degradation with Uncertainty Quantification: A Probabilistic Framework for Battery Energy Storage Systems
Technical University of Munich(慕尼黑工业大学);Kempten University of Applied Sciences(凯姆滕应用科学大学)
研究针对电池储能系统退化预测问题,引入基于深度学习的概率框架,利用压力因素生成容量损失预测分布,通过随机轨迹传播不确定性,可扩展至全系统数据,经现场数据测试能有效模拟退化行为,为能源系统资产管理提供实用工具。
2026-07-16 cs.SY eess.SY
Electrical Vehicle Fleet Routing Accounting for Dynamic Battery Degradation
随着电动汽车(EV)的日益普及,人们越来越意识到电池退化成本以及如何将其降至最低。然而,从规划的角度来看,很难将电池退化模型集成到现有的路线规划模型中,并评估旨在减少电池退化的政策如何影响整个车队的路线规划成本和退化。在本文中,一个简单的运输车辆路径问题(VRP)制定为一个混合整数非线性问题(MINLP),与修改,允许监控整个车队的最大和最小放电深度(DoD)。这使我们能够在在线优化过程中测量电池健康状况的退化。结果表明,考虑到不同的路线特征对电池退化的影响,可以对整个车队的路线规划以及所有车辆的电池退化产生影响。后者是通过迫使车辆长期适应某些国防部边界来实现的。
2022-03-09 cs.CE cs.SY eess.SY
Optimal battery thermal management for electric vehicles with battery degradation minimization
本文针对电动汽车电池冷却优化问题,利用动态规划提取规则,提出一种近最优在线冷却策略,在降低电池退化的同时改善行驶经济性。
2023-08-06 cs.SY eess.SY
Explainable Functional Relation Discovery for Battery State-of-Health Using Kolmogorov-Arnold Network
Texas Tech University(德克萨斯理工大学)
本文提出基于Kolmogorov-Arnold网络的数据驱动方法,通过电池温度数据建立状态-健康度退化功能关系,实现电池健康管理的可解释分析。
2026-08-18 cs.SY eess.SY
Modeling Degradation for Second-life Battery: Preliminary Results
本文提出了一种新的电池建模框架的基础上,增强的单粒子模型(ESPM)考虑到二次电池的退化机制。在考虑电池固体和电解质相中的运输和电化学现象的同时,对主导的阳极相关老化机制,即固体电解质界面(SEI)层生长和锂电镀进行建模。第一次,活性材料的损失(LAM),它描述了阳极和阴极的趋势,随着时间的推移,以减少可用于嵌入和脱嵌的电极材料,被引入到ESPM。此外,老化模式与LAM动力学的耦合提供了一个全面的框架,可以用于预测线性和非线性容量衰减,这对评估二次寿命电池至关重要。因此,依赖于从[18]借用的数据,进行模型参数识别和全面的敏感性分析,以证明建模方法的有效性。
2021-08-18 cs.SY eess.SY
Fast data augmentation for battery degradation prediction
提出一种无需侵入式表征、由有限电池数据合成容量衰减曲线的增强方法,可在多化学体系和真实条件下将电芯测试工作量降低至少50%。
2025-03-16 cs.SY eess.SY
Optimal Day-Ahead Scheduling of Fast EV Charging Station With Multi-Stage Battery Degradation Model
Technical University of Denmark(丹麦技术大学);Equilibrium Energy(均衡能源)
本文提出一种多阶段电池退化建模方法,集成于日前调度框架,以降低配备电池储能系统的快速充电站运营成本,平均节省约2.1%。
2026-09-21 cs.SY eess.SY
A Convex Cycle-based Degradation Model for Battery Energy Storage Planning and Operation
Department of Electrical Engineering, University of Washington(华盛顿大学电气工程系)
本文提出一种基于凸循环的电池退化模型,用于规划和运营,通过证明雨流算法的凸性,解决了优化中的难题,并通过案例验证了模型在提升电池利润和延长寿命方面的有效性。
2017-04-05 cs.SY eess.SY math.OC
Improving optimal control of grid-connected lithium-ion batteries through more accurate battery and degradation modelling
University of Oxford(牛津大学);EnergyVille(能源城);VITO(弗拉芒技术研究所)
本文通过更精确的电池和退化模型,改进电网连接锂离子电池的最优控制,发现更准确的模型能显著提高收益并减少退化,证明简单模型可能低估商业案例。
2018-01-17 cs.SY eess.SY
StateFormer: A Multivariate Transformer for Learning History-Dependent Battery State Dynamics and Long-Horizon Health Forecasting
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
本文提出多变量变压器StateFormer,用于预测大规模电池系统退化动态。它能跨时间尺度学习,在统一框架中表征多种电池过程,在合成与真实数据集上预测准确,性能不受噪声和温度影响,弥合实验室与现场差距,为电池相关决策提供智能。
2026-07-27 cs.SY eess.SY
Constrained Optimal Planning to Minimize Battery Degradation of Autonomous Mobile Robots
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对自主移动机器人电池退化问题,提出兼顾循环退化与日历老化、保障任务完成的约束最优规划优化框架,通过矩形分段线性近似线性化双线性问题,案例验证其可实现最优路径规划并减少电池老化。
2025-06-16 cs.RO cs.SY eess.SY
Integrated Power and Thermal Management for Enhancing Energy Efficiency and Battery Life in Connected and Automated Electric Vehicles
本文提出基于多时域模型预测控制的集成功率与热管理策略,通过优化老化项和多时域优化,显著降低能耗、冷却能耗及电池退化,提升CAEVs能效与电池寿命。
2024-11-08 cs.SY eess.SY
User-centric Vehicle-to-Grid Optimization with an Input Convex Neural Network-based Battery Degradation Model
Delft Center for Systems and Control (DCSC), Department of Mechanical Engineering, Delft University of Technology (TU Delft)(代尔夫特系统与控制中心(DCSC)、机械工程系、代尔夫特理工大学)
提出一种基于输入凸神经网络(ICNN)电池退化模型和用户偏好的多目标优化V2G方法论,在保证计算效率的同时有效平衡V2G经济收益与电池健康退化。
2025-05-16 cs.LG cs.SY eess.SY
Sizing Battery Energy Storage and PV System in an Extreme Fast Charging Station Considering Uncertainties and Battery Degradation
本文提出了混合整数线性规划(MILP)公式,以获得最佳尺寸的电池储能系统(BESS)和太阳能发电系统在一个极端的快速充电站(XFCS),以降低年化总成本。所提出的模型具有典型的一年8个代表性的情况下,并获得最佳的能源管理站和BESS操作,以利用能源套利为每个场景。对比现有文献,本文提出了一种基于恒功率恒电压(CPCV)的改进概率方法来模拟工作日和周末的XFCS充电需求。本文还占每月和每年的需求费用的基础上,现实的公用事业收费。此外,在模型中考虑了BESS寿命退化,以确保在考虑的规划范围内不需要更换。与文献不同,本文提供了实用的MILP公式来计算BESS充电/放电循环使用的累积充电/放电能量的概念。利用McCormick松弛和Big-M方法来松弛BESS操作约束中的双线性项。最后,一个强大的优化为基础的MILP模型,提出并利用占电价,太阳能发电和XFCS需求的不确定性。进行了案例研究,以表明拟议制剂的有效性。
2022-05-29 cs.SY eess.SY
Peak Forecasting for Battery-based Energy Optimizations in Campus Microgrids
基于电池的能量存储已经成为各种电网能量优化的使能技术,例如调峰和成本套利。电池驱动的调峰优化的一个关键组成部分是峰值预测,它预测一天中需求最大的时间。虽然已经有显着的负荷预测工作,我们认为,预测期间的需求峰值为个人消费者或微电网的问题是更具挑战性的预测负荷在电网规模。我们提出了一个基于深度学习的高峰预测新模型,该模型预测每天最高和最低需求的k小时。我们评估我们的方法,使用两年的跟踪从一个真正的微电网的156栋建筑物,并表明它优于最先进的负荷预测技术,适用于峰值预测的11- 32%。当用于基于电池的调峰时,我们的模型为该微电网的4 MWhr电池每年节省496,320美元。
2020-05-25 cs.CY cs.SY eess.SP
ACCEPT: Diagnostic Forecasting of Battery Degradation Through Contrastive Learning
Envision Energy(远景能源)
针对锂离子电池退化预测泛化性差且难以解释的问题,提出基于对比学习的ACCEPT模型,融合物理参数与运行数据,实现零样本推理并泛化至多种电池化学体系。
2025-01-17 cs.LG cs.SY eess.SY
Bayesian Changepoint Detection for Smart Sensing of Battery Degradation: Cycle-Level Health Indicators and PyMC Implementation
AGH University of Krakow(克拉科夫AGH科技大学)
提出基于充放电时间比的循环级健康指标,利用贝叶斯单变点模型检测锂电池加速退化起始点,在PyMC中实现并验证了有效性。
2026-06-26 cs.SY eess.SY
Embedding Lithium-ion Battery Scrapping Criterion and Degradation Model in Optimal Operation of Peak-shaving Energy Storage
锂离子电池系统已被用于实际的电力系统中,用于调峰、需求响应和频率调节。然而,锂离子电池在循环时会退化,并且当容量降低到某个阈值(例如80%)时将被废弃。这种报废标准可能无法探索电池存储的最大利益。在本文中,我们提出了一种新的报废标准的基础上,电池效率,分时电价,和套利收益的调峰储能。然后,使用该标准推导出一个新的电池寿命模型与报废参数。嵌入寿命模型,提出了一种调峰储能系统的优化运行方法。算例分析结果表明,该运行方式在延缓蓄电池劣化的同时,能够最大限度地发挥调峰储能的效益。与传统的基于80%容量的报废标准相比,基于效率的报废标准可以显著提高电池的寿命效益。
2020-06-14 cs.SY eess.SP eess.SY
Forecasting Electric Vehicle Battery Output Voltage: A Predictive Modeling Approach
Great Learning(伟大学院);PES-Great Learning(PES-伟大学院)
本文针对电动汽车电池性能不确定性问题,综述电池状态评估与BMS技术进展,并提出电池充电电压预测的建模方案。
2024-04-08 cs.AI cs.CV cs.SY
End-to-End Battery Dispatch with Exact Rainflow Degradation via Mixed-Integer Differentiable Predictive Control
The Johns Hopkins University(约翰斯·霍普金斯大学);University of Nevada, Reno(内华达大学里诺分校)
针对电池调度中雨流退化不可微的难题,提出混合整数可微预测控制框架,通过可微雨流层实现端到端训练,在真实数据上性能差距小且计算加速显著。
2026-09-14 cs.SY eess.SY
Digital twin of a MWh-scale grid battery system for efficiency and degradation analysis
本文构建含 18900 个电化学电芯模型的 1 MWh 电网电池数字孪生,评估十年退化与效率,发现电芯退化速率差异占主导,且热管理比例控制可提升效率和可用能量各 5 个百分点。
2022-06-21 cs.SY eess.SY
Hierarchical Bayesian Model for Probabilistic Analysis of Electric Vehicle Battery Degradation
本文提出了一种分层贝叶斯模型的电动汽车电池容量衰减的概率估计。由于电池老化因素如温度、电流和荷电状态不是固定的,并且它们在不同的时间、位置和由不同的用户改变,具有恒定参数的确定性模型不能准确地评估电池容量衰减。因此,包括变量的测量或观测的不确定性的容量衰减的概率表示可以是适当的解决方案。针对电动汽车电池容量衰减问题,提出了一种考虑多个外部变量的分层贝叶斯网络模型。该模型的数学表达式是基于贝叶斯定理提取的,所有变量的概率分布和它们的依赖关系是仔细选择的,其中应用Metropolis Hastings马尔可夫链蒙特卡罗抽样方法来生成后验分布。该模型使用85%的实验数据进行训练,以获得其不可见的参数,并使用其他15%的数据进行测试,以证明其准确性。此外,三个案例研究不同的驱动程序,不同的网格服务频率,和不同的气候进行了探讨,以显示模型的灵活性与不同的输入数据。所开发的模型需要在不同的条件下进行参数整定的训练数据。然而,经过训练,它在估计电池容量衰减百分比方面的准确率超过95%。
2019-11-04 cs.SY eess.SY
Stochastic Operation of Energy Constrained Microgrids Considering Battery Degradation
可变可再生能源发电渗透率高的电力系统易受低发电时段的影响。保持高可调度发电容量的替代方案是能够利用剩余功率的电能存储,其中电能存储有助于供应的安全性。这样的系统可以被认为是能量受限的,并且电能存储的操作必须平衡操作成本最小化和稀缺风险。在这个问题上,依赖于操作的存储特性,例如能量存储退化是一个复杂的因素。本文提出了一种线性近似的电池充电状态退化,并实现它在一个随机的双动态规划的能量管理模型结合循环退化。退化建模的影响进行了研究,挪威的小型微电网可变的可再生能源发电和有限的可调度发电容量,以及电池和氢存储,以平衡供需。我们的研究结果表明,所提出的策略可以延长预期的电池寿命超过四年相比,天真的随机策略,但可能会导致其他系统资源的退化增加。同样明显的是,一个随机的策略是至关重要的,以保持低风险的稀缺性,在能量受限的系统。
2021-11-05 cs.SY eess.SY math.OC
Effects of eco-driving on energy consumption and battery degradation for electric vehicles at signalized intersections
本文利用动态规划构建融合电池退化模型的生态驾驶算法,优化网联电动汽车通过双信号交叉口的速度轨迹,并通过参数分析与实地手机应用测试验证其节能、延寿及最高49%的成本收益。
2024-10-02 cs.SY eess.SY
Degradation-aware Predictive Energy Management for Fuel Cell-Battery Ship Power System with Data-driven Load Forecasting
Delft University of Technology(代尔夫特理工大学);Università degli Studi di Genova(热那亚大学)
本文提出了一种考虑燃料电池退化因素的预测性能源管理策略,通过数据驱动的负载预测减少氢气消耗和电池退化,实验显示在15分钟和1小时预测范围内,氢气消耗和电池退化分别减少5.8%和36.4%。
2026-04-16 cs.SY eess.SY
Latent Function Decomposition for Forecasting Li-ion Battery Cells Capacity: A Multi-Output Convolved Gaussian Process Approach
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校);University of Central Florida(中佛罗里达大学)
提出了一种基于潜函数分解的锂离子电池容量预测方法。该方法使用多输出高斯过程,这是一种用于多任务和迁移学习的生成式机器学习框架。MCGP将来自多个电池单元的可用容量趋势分解为潜在函数。然后在核平滑器上卷积潜在函数以重构和/或预测电池单元的容量趋势。该方法不仅具有较高的预测精度,还能提供预测的不确定性信息,并能捕捉不同电池单元容量趋势之间的非平凡互相关性。这两个优点使得所提出的MCGP成为使用电池组的应用的非常可靠和实用的解决方案。MCGP的推导和比较基准方法的实验锂离子电池数据。结果表明了该方法的有效性。
2019-07-19 cs.LG cs.SY eess.SP
Automated feature extraction and selection for data-driven models of rapid battery capacity fade and end of life
锂离子电池在使用寿命后期可能会经历快速退化,特别是在更极端的使用协议下。快速退化的开始被称为“拐点”,预测它对于电池的安全和经济可行的使用是重要的。我们提出了一种数据驱动的方法,该方法使用自动特征选择来为高斯过程回归模型生成输入,该模型估计电池健康状况的变化,从中可以预测整个容量衰减轨迹,拐点和寿命结束。特征选择过程灵活地适应不同的输入,并优先考虑那些影响退化的输入。对于所考虑的数据集,发现日历时间和在特定电压区域花费的时间对降解速率有很大影响。该方法对容量估计的中位均方根误差小于1%,对拐点和寿命终点的中位预测误差分别为2.6%和1.3%。
2021-08-18 cs.SY eess.SY
Energy Consumption and Battery Aging Minimization Using a Q-learning Strategy for a Battery/Ultracapacitor Electric Vehicle
Clemson University(克莱姆森大学);University of California, Berkeley(加州大学伯克利分校);Hunan University(湖南大学);University of Michigan(密歇根大学)
推进系统电气化革命一直在汽车工业中进行。电气化推进系统提高了能源效率,减少了对化石燃料的依赖。然而,电动车辆的电池在车辆运行期间经历劣化过程。考虑电池/超级电容器电动汽车中电池退化和能量消耗的研究仍然缺乏。该研究提出了一种基于Q学习的策略,以最大限度地减少电池退化和能耗。在Q学习的基础上,提出了两种启发式能量管理方法,并利用粒子群优化算法对其进行了优化。首先建立了车辆动力系统模型,其中考虑了严重因子电池退化模型,并利用遗传算法进行了实验验证。在结果分析中,首先用学习后的最优策略图来解释Q学习。然后,以不带超级电容器的车辆为基准,与带超级电容器的车辆采用Q学习的结果进行比较,并以两种启发式方法作为能量管理策略。在学习和验证驾驶循环中,结果表明,与没有超级电容器的基线车辆相比,Q学习策略将电池退化减缓了13-20%,并将车辆续航里程增加了1.5-2%。
2020-10-27 cs.LG cs.SY eess.SY
Assessing Modeling Fidelity for Long-Term Battery Energy Storage Planning: Operation, Degradation, and Temporal Representation
University of Houston(休斯顿大学)
本研究评估长期电池储能规划中不同建模保真度对生命周期结论的影响,发现保真度需求因指标而异,需根据目标结果选择合适模型。
2026-10-01 cs.SY eess.SY
Modeling and Optimal Operation of Distributed Battery Storage in Low Voltage Grids
ETH Zurich(苏黎世联邦理工学院);University of Michigan(密歇根大学)
本文提出两级集中模型预测控制方案,通过鲁棒多期优化潮流和详细电池模型降低电池损耗,提升光伏利用效率。
2017-03-16 cs.SY eess.SY
Evaluation of Energy- and Capacity-Market Revenues from Lithium-ion Battery Systems for Offshore Wind Using Advanced Battery Models
使用先进的锂离子电池表示法检查了纽约ISO(NYISO)长岛节点的海上风电和储能系统的收入潜力。这些先进的混合整数线性电池模型考虑了电池的动态性能以及电池的退化行为,这在电力系统模型中通常不考虑。研究了多个混合海上风力和电池系统设计,以检查将电池定位在海上与将其定位在陆上的影响。对于所研究的系统,我们探索不同的电池可用荷电状态(SOC)窗口,以及相应的电池调度,以最大限度地提高能源和容量市场的收入。利用2010年至2013年的公开数据,评估了海上风电输出变化以及能源和容量市场价格的影响。将电池安装在岸上带来了更高的收入。对于2013年,结果强调,如果没有准确的电池表示,模型可以高估电池收入高达155%,主要是由于退化相关的成本。使用先进的算法,净收入可以增加29%。结果还表明,更广泛的可用SOC窗口可能会导致更高的净收入从能源市场,由于更高的套利机会,以补偿任何额外的退化相关成本在更高的DOD。兆瓦时的能量存储的附加值从每兆瓦时风能的$2 to $ 3.5变化,这导致所研究的电池系统的盈亏平衡成本范围为每千瓦时$50-$ 95。因此,能源和容量市场的收入被发现不足以收回本分析中考虑的应用的当前电池系统的投资成本。
2020-02-03 cs.SY eess.SY
Degradation-Aware Frequency Regulation of a Heterogeneous Battery Fleet via Reinforcement Learning
Plaksha University(Plaksha大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出了一种基于强化学习的异质电池群频率调节方法,通过设计密集代理奖励和函数近似方法,减少循环退化并提高调度效率。
2026-02-07 cs.AI cs.SY eess.SY
Managing Charging Induced Grid Stress and Battery Degradation in Electric Taxi Fleets
School of Electrical Engineering and Informatics, Institut Teknologi Bandung(电气工程与信息学院,万隆理工学院);College of Computing and Data Science, Nanyang Technological University(计算与数据科学学院,南洋理工大学)
针对电动出租车车队充电中短期盈利、电池寿命与电网稳定的冲突,研究开发了基于纽约市出租车数据的车队模拟器,对比发现强化学习充电策略在五年周期内优于80-20基准策略,可辅助运营商决策。
2025-10-22 cs.SY eess.SY
Approximate Dynamic Programming for Degradation-aware Market Participation of Battery Energy Storage Systems: Bridging Market and Degradation Timescales
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种近似动态规划框架,用于设计考虑退化因素的电池储能系统市场参与策略,通过分离长期退化动态与短期市场动态,提升计算可行性。
2026-03-22 cs.SY eess.SY math.OC
World Model for Battery Degradation Prediction Under Non-Stationary Aging
Independent Researcher(独立研究者)
本文提出一种世界模型用于非平稳老化条件下电池退化预测,通过编码原始信号并学习动态转换生成未来轨迹,结合电化学知识约束提升预测精度。
2026-03-11 cs.LG cs.SY eess.SY
Timescale-aware surrogate-assisted multi-objective optimization of battery cell design for energy density, fast charging, and degradation
Chalmers University of Technology(查尔姆斯理工大学);Uppsala University(乌普萨拉大学)
提出时间尺度感知的代理辅助框架,联合优化电池能量密度、快速充电与退化,经Sobol分析与Pareto优化,实现SOH损失降低99.31%等显著改进。
2026-09-09 cs.SY eess.SY
A Simplified Model for the Battery Ageing Potential Under Highly Rippled Load for Battery Management and Active Degradation Control
而在典型的标准化测试中,电池几乎完全加载恒定电流或相对缓慢变化的周期,实际应用涉及快速负载纹波,这对净能量没有贡献。减少滤波电容器甚至动态可重构电池的趋势进一步增加了纹波。因此,纹波负载对锂电池的影响越来越受到关注。根据最近的研究,加速老化在很大程度上取决于纹波的频率。我们使用电化学模型来推导出一个高度简化的回归模型,该模型捕获渐近行为,并允许对特定电池进行参数识别和校准。该模型允许定量监测由于电池管理系统中的纹波电流而引起的额外老化。此外,它能够通过影响现代电池系统(如可重构电池)中的频率内容来主动控制老化潜力。
2022-09-19 cond-mat.mtrl-sci cs.SY eess.SY
Battery Capacity Knee-Onset Identification and Early Prediction Using Degradation Curvature
本文提出基于退化曲率波动行为的容量拐点及其起始识别新方法,无需完整容量衰减曲线即可实现在线识别,并在多种电池数据上验证了其优于现有方法,且拐点及拐点起始与寿命终止具有强相关性。
2024-04-26 cs.SY eess.SP eess.SY
Optimal Power Scheduling for High Renewables-Integrated Energy Systems with Battery Storage
University of Houston(休斯顿大学)
本文提出了一种线性化的稀疏神经网络模型,用于高可再生能源整合能源系统中电池退化的量化和优化调度。
2025-12-05 cs.SY eess.SY
State of Health Estimation of Lithium-Ion Batteries in Vehicle-to-Grid Applications Using Recurrent Neural Networks for Learning the Impact of Degradation Stress Factors
这项工作提出了一种有效的健康状态指示器,用于指示锂离子电池的退化,该指示器基于长短期记忆(LSTM)递归神经网络(RNN)和滑动窗口。开发的LSTM RNN能够捕获退化电池容量对电池退化应力因素的潜在长期依赖性。当有足够的训练数据时,学习性能是稳健的,如果提供超过1.15年的数据用于训练,则误差< 5%。
2022-05-16 cs.SY eess.SY
A Physics-Informed Reinforcement Learning Approach for Degradation-Aware Long-Term Charging Optimization in Batteries
General Motors Research & Development(通用汽车研发部);The Pennsylvania State University(宾夕法尼亚州立大学)
针对电池老化问题,提出一种结合PyBamm和PPO的物理信息强化学习框架,通过估计活性材料损失动态调整CCCV充电电流,显著提升了长期充电优化的健康感知能力。
2025-10-13 cs.SY eess.SY
Multi-objective Optimal Trade-off Between V2G Activities and Battery Degradation in Electric Mobility-as-a-Service Systems
本文针对电动出行即服务系统,建立混合整数线性规划模型,在电池退化成本与 V2G 售电收益之间进行多目标权衡,并通过埃因霍温仿真证明 V2G 不影响出行服务数量,但退化成本可能超过 V2G 收益。
2024-05-03 cs.SY eess.SY math.OC
Degradation-aware data-enabled predictive control of energy hubs
本文研究数据驱动预测控制(DeePC)在多区域建筑及含热泵和电池的能源枢纽中的应用,证明其在满足舒适性约束的同时不增加电网功耗,并使电池年退化降低两倍。
2023-07-04 cs.SY eess.SY
Separating multiscale Battery dynamics and predicting multi-step ahead voltage simultaneously through a data-driven approach
提出一种基于序列到序列编码器-解码器的健康感知电池模型,通过无监督推断缓慢变化的退化与荷电状态,实现快速动态分离与多步超前电压预测,并在真实驾驶工况数据集上验证。
2023-10-22 cs.SY eess.SY
Economic Optimal Power Management of Second-Life Battery Energy Storage Systems
本文提出一种针对二次生命电池储能系统(SL-BESS)的经济最优功率管理方法,通过加权平均安时吞吐量老化模型量化退化成本,在确保安全与供需平衡的前提下实现成本最小化运行。
2024-08-29 cs.SY eess.SY
Extra Throughput versus Days Lost in load-shifting V2G services: Influence of dominant degradation mechanism
本文提出TvD指标并结合NMC电池数字孪生寿命模拟,证明日历老化占主导时负荷转移型V2G更具收益,且决策关键在于电芯化学体系与停放温度。
2024-08-04 cs.SY eess.SY
Interpretable Battery Cycle Life Range Prediction Using Early Degradation Data at Cell Level
Volvo Group Trucks Technology(沃尔沃集团卡车技术公司);Chalmers University of Technology(查尔姆斯理工大学);INRAE(法国国家农业食品与环境研究院);UVSQ(凡尔赛大学);Université Paris-Saclay(巴黎萨克雷大学);NTNU(挪威科技大学)
针对电池早期循环寿命预测缺乏不确定性量化与可解释性的问题,提出经alpha-logistic加权准则校准的QRF区间预测模型,并用排列重要性和偏依赖图解释其精度来源。
2023-04-23 cs.LG cs.SY eess.SY