Health feature extraction from battery energy storage system field fault data
University of Michigan(密歇根大学);LG Energy Solution(LG新能源)
提出一种从运行数据中提取和校准电池模组健康特征的框架,通过统计评估发现组级容量、容量退化率和dV/dQ峰值高度能显著区分故障并联组,而内阻不能,挑战了依赖电阻进行故障检测的常规做法。
2026-06-26 cs.SY eess.SY
The Sequential Algorithm for Combined State of Charge and State of Health Estimation of Lithium Ion Battery based on Active Current Injection
针对锂离子电池同时估计荷电状态、健康状态及参数时精度难保证的问题,提出基于主动电流注入和频率尺度分离的序贯算法,通过分频注入电流独立估计参数后再联合估计容量与状态,显著提升了精度并降低计算成本。
2019-07-15 cs.SY eess.SY
A Framework for Health-informed RUL-constrained Optimal Power Flow with Li-ion Batteries
电池储能系统被广泛应用于并网应用中,以减轻间歇性可再生能源发电的影响并增强电力系统的弹性。电池在使用期间的退化是部署中的主要问题之一,严重影响长期寿命。除了环境因素外,电池的这种固有特性还取决于日常工作条件。因此,基于电池的当前状态最佳地进行电池的日常操作以满足所需的剩余使用寿命成为实际且苛刻的需求。为了解决这个问题,本文提出了一个健康知情的规则约束最优潮流框架来表征相应的最优可行操作空间。如果电池的工作条件被限制在该可行域内,则实现目标服务寿命。然后构造等效箱约束,以提高求解优化问题的计算效率。在这个框架中,一个基于蒙特卡洛的数据驱动的方法和健康指标(HI)代表电池的当前状态。所提出的方法的性能与IEEE 39节点系统说明。
2020-11-29 cs.SY eess.SY
Diagnostic-free onboard battery health assessment
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(SLAC国家加速器实验室);Technical University of Darmstadt(达姆施塔特工业大学)
本文提出一种结合可解释机器学习与机理约束的免诊断测试车载电池健康诊断与预测方法,无需离线测试和历史数据,并在422个电池数据集上验证了其通用性。
2025-03-10 cs.LG cs.SY eess.SY
Driving behavior-guided battery health monitoring for electric vehicles using machine learning
National University of Singapore(新加坡国立大学);Farasis Energy USA, Inc.(孚能科技(美国)有限公司)
针对电池健康监测中特征冗余与实际场景特征难获取的问题,提出结合真实驾驶条件下特征获取概率评估的机器学习流水线,通过机理分析、多数据集筛选及场景融合方法,平衡健康指标的性能与实用性。
2023-09-25 cs.LG cs.SY eess.SY
Computationally Efficient Machine-Learning-Based Online Battery State of Health Estimation
针对商用BMS低成本微控制器难以运行复杂AI/ML模型的问题,本文提出一种基于四频率在线阻抗特征和线性回归的计算高效、数据轻量的SoH估计方法,并在两个实验数据集上验证了MAE低于2%的准确性。
2024-06-10 cs.SY eess.SY
Learning Li-ion battery health and degradation modes from data with aging-aware circuit models
提出老化感知等效电路模型结合高斯过程回归,从运行数据估计锂离子电池健康状态,在两个数据集上容量RMSE低于1%、MAPE低于2%,并揭示开路电压函数对电阻推断的影响。
2025-06-30 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
Battery State of Health Estimation and Incremental Capacity Analysis under Dynamic Charging Profile Using Neural Networks
University of Michigan(密歇根大学);Ford Motor Company(福特汽车公司)
本文提出基于动态充电配置的电池状态健康估计方法,利用神经网络构建虚拟增量容量和虚拟微分电压曲线,实现更广泛的电池退化监控。
2026-01-09 cs.SY eess.SY
Estimating the Health and State of Charge of Each Cell in a Second-Life Battery System from Field Data
Technical University of Munich(慕尼黑工业大学);STABL Energy GmbH(STABL能源有限公司)
本研究针对梯次利用电池系统,提出基于现场数据结合高斯过程回归重构OCV曲线的框架,可联合估算电池SOH与SOC,发现了电池异质性、SOC不平衡及故障电池,且验证了其优于集中模组模型的估算精度。
2026-09-07 cs.SY eess.SY
Lifelong reinforcement learning for health-aware fast charging of lithium-ion batteries
本文提出一种基于TD3强化学习的健康感知快速充电策略,通过阳极过电位与SoH的映射约束终端充电电压,在PyBaMM仿真中验证其相比CC-CV等方法能降低退化并保持快速充电。
2025-07-06 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
Domain knowledge-guided machine learning framework for state of health estimation in Lithium-ion batteries
Stanford University(斯坦福大学);Politecnico di Torino(都灵理工大学)
提出五个可在线提取的电池健康指标并开发机器学习方法,用于估计电动汽车锂离子电池健康状态,在部分数据缺失下实现了1.5%至2.5%的低误差容量估计。
2024-09-22 cs.LG cs.SY eess.SY
Closed-loop domain generation enhances battery health diagnosis
Central South University(中南大学);Chalmers University of Technology(查尔姆斯理工大学);Aalborg University(奥尔堡大学);Chongqing University(重庆大学);Massachusetts Institute of Technology(麻省理工学院)
该研究针对电池跨域健康诊断难题,提出闭环域生成框架,结合变分自编码器与贝叶斯优化生成符合物理规律的跨域样本,在三类电极退化指标上误差显著低于传统方法,为车载诊断提供通用方案。
2026-10-12 cs.SY eess.SY
Estimation of Cell-to-Cell Variation and State of Health for Battery Modules with Parallel-Connected Cells
University of Michigan(密歇根大学)
本文提出一种统一框架,利用模块级信息准确估计电池模块的细胞间变异性及健康状态,通过增量容量分析和微分电压分析提取数据,实现两者的解耦处理,具有高灵活性和通用性。
2026-04-22 cs.SY eess.SY
Experimental Characterization Data for Battery Modules with Parallel-Connected Cells across Diverse Module-Level State of Health and Cell-to-Cell Variations
University of Michigan(密歇根大学)
本数据集提供由三个并联不均匀电池组成的锂离子电池模块在模块级健康状态和电池间差异下的特性数据,支持退化监测研究。
2026-06-18 cs.SY eess.SY
PhyMamba: Physics-Modulated Mamba for Robust Battery Health Prognostics
Singapore Institute of Technology(新加坡理工学院);National University of Singapore(新加坡国立大学);Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局高性能计算研究所);Nanyang Technological University (NTU)(南洋理工大学)
PhyMamba是一种两阶段物理调制Mamba框架,将电化学老化融入序列建模,在三个公共数据集上使电池健康预测整体平均误差降低31.8%,实现最优聚合性能与精度效率权衡,支持实际部署。
2026-08-31 cs.LG cs.SY eess.SY
Bridging battery design and health assessment through virtual sensing and physics-informed learning
研究针对锂离子电池健康监测与设计脱节问题,提出基于虚拟传感和物理信息学习的框架,能推断设计参数,嵌入机制降低预测误差,虚拟传感减少相关误差,建立反馈回路,助力电池设计与评估。
2026-07-21 cs.LG cs.SY eess.SY
Towards Integrating Formal Verification of Autonomous Robots with Battery Prognostics and Health Management
Heriot-Watt University(赫瑞-瓦特大学);University of Liverpool(利物浦大学)
电池是自主机器人的关键部件。它的性能限制了机器人的安全性和可靠性。与液体燃料不同,电池作为一种化学装置,具有复杂的特征,包括(i)连续充电时容量衰减;(ii)在给定功率需求下,随着荷电状态(SOC)下降,放电率增加。现有的形式化验证研究的自主机器人,考虑能源的限制,形式化的能源组成部分,在一个通用的方式,这样的电池功能被忽略。在本文中,我们建立了一个无人机(UAV)检查任务的风电场和通过概率模型检验在PRISM显示(i)如何电池的功能可能会影响验证结果显着在实际情况下;和(ii)如何电池的功能,连同动态环境和电池安全策略,共同影响验证结果。潜在的解决方案,明确集成电池性能和健康管理(PHM)与自主机器人的形式化验证也进行了讨论,以激励未来的工作。
2019-08-22 cs.AI cs.RO cs.SY
EVBattery: A Large-Scale Electric Vehicle Dataset for Battery Health and Capacity Estimation
Tsinghua University(清华大学);Tsinghua IIIS(清华大学交叉信息研究院);Circue Energy Technology Co., Ltd.(Circue能源科技有限公司);Beihang University(北京航空航天大学);Peking University(北京大学)
本文发布EVBattery真实大规模电动汽车电池数据集,覆盖三家厂商数百辆车和两类估计标签,并提出利用电池系统结构的定制算法以提升性能。
2023-11-02 cs.LG cs.SY eess.SY
On the Age-Optimality of Relax-then-Truncate Approach under Partial Battery Knowledge in Energy Harvesting IoT Networks
我们考虑一个能量收集(EH)物联网网络,其中用户向启用缓存的边缘节点发出按需请求,以发送有关各种随机过程的状态更新,每个过程都由EH传感器监控。边缘节点通过命令相应的传感器发送新的状态更新或从缓存中检索最近接收的测量值来满足用户的请求。我们的目标是找到一个控制策略,在边缘节点,最大限度地减少平均按需AOI在所有传感器的每时隙传输和能源的限制下,在边缘节点的部分电池知识。即,有限的无线电资源(例如,带宽)导致只有有限数量的传感器可以在每个时隙发送状态更新(即,每时隙传输约束),并且用于EH传感器的能量的稀缺性施加了能量约束。此外,边缘节点被告知的传感器的电池水平,只有通过接收到的状态更新包,导致电池水平的决策的不确定性。我们开发了一个低复杂度的算法-称为松弛然后截断-并证明了它是渐近最优的传感器的数量趋于无穷大。数值结果表明,所提出的方法取得了显着的收益超过请求感知的贪婪政策,并表明它具有接近最优的性能,即使是中等数量的传感器。
2022-12-12 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 Hybrid Probabilistic Battery Health Management Approach for Robust Inspection Drone Operations
Mondragon(蒙德拉贡)
本文提出结合物理放电模型与概率误差校正模型的混合方法,用于预测巡检无人机 Li-Po 电池 EOD 电压并量化两类不确定性,实测概率准确率较最佳方法提升14.8%。
2024-12-20 cs.AI cs.LG cs.SY
Prescribing Optimal Health-Aware Operation for Urban Air Mobility with Deep Reinforcement Learning
针对城市空中交通中电池老化带来的任务规划难题,本文提出深度强化学习算法,结合电池健康状态优化运行参数与路径规划,在不确定性场景下实现接近最优的飞行性能。
2024-04-12 cs.SY eess.SY
Conformalized Transfer Learning for Li-ion Battery State of Health Forecasting under Manufacturing and Usage Variability
本文提出一种不确定性感知的迁移学习框架,结合LSTM模型与MMD域适应和CP不确定性量化,提升电池健康状态预测的泛化性和可信度。
2026-03-25 cs.LG cs.SY eess.SY
Towards a BMS2 Design Framework: Adaptive Data-driven State-of-health Estimation for Second-Life Batteries with BIBO Stability Guarantees
针对退役电动汽车二次利用电池历史数据缺失、健康状态难准确估计的问题,提出具备BIBO稳定性的在线自适应数据驱动估计方法,仅用实时运行数据且增益动态适配单体特性,经实验验证有效,可用于BMS2。
2024-07-15 cs.SY eess.SY
Fast State-of-Health Estimation Method for Lithium-ion Battery using Sparse Identification of Nonlinear Dynamics
Korea Advanced Institute of Science and Technology(韩国科学技术院);Chungbuk National University(忠北国立大学)
本文提出一种基于SINDy与相关性分析的锂离子电池快速SOH估计方法,以低数据量构建可解释的数据驱动退化模型,并通过与多种机器学习算法比较验证其估计精度和计算效率。
2024-10-22 cs.RO cs.SY eess.SY
Fleet-Level Battery-Health-Aware Scheduling for Autonomous Mobile Robots
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出一种多机器人调度方法,考虑电池退化成本,优化任务分配、服务顺序、充电决策和充电模式,平衡车队退化。通过线性化非线性退化项,结合实例数据改进松弛,采用分层启发式方法提升可扩展性。
2026-03-24 cs.RO cs.SY eess.SY
Federated Battery Diagnosis and Prognosis
Wayne State University(韦恩州立大学);Oklahoma State University(俄克拉荷马州立大学);Argonne National Laboratory(阿贡国家实验室)
针对电池诊断与预后中数据集中处理带来的隐私和通信挑战,提出联邦电池预后模型,仅交换模型参数以保护隐私并降低通信负载,实现分布式剩余寿命预测。
2023-10-14 cs.LG cs.SY eess.SY
Predicting battery end of life from solar off-grid system field data using machine learning
数亿人用不上电。分散式太阳能电池系统是解决这一问题的关键,同时避免了碳排放和空气污染,但由于成本相对较高,而且位于农村地区,因此无法及时进行预防性维护。根据运行数据准确诊断电池健康状况并预测寿命终止,可改善用户体验并降低成本。但缺乏受控的验证测试和可变的数据质量意味着现有的基于实验室的技术无法工作。我们应用可扩展的概率机器学习方法来诊断1027个太阳能连接的铅酸电池的健康状况,每个电池运行400-760天,总计6.2亿个数据行。我们展示了73%的寿命终止预测准确率,提前八周,在故障点上升到82%。这项工作突出表明,有机会利用“大数据”技术,在不增加设备的情况下,从现有的测量数据中估计健康状况,从而延长使用寿命并提高实际应用的性能。
2021-07-29 cs.LG cs.SY eess.SY
State of Health Estimation for Battery Modules with Parallel-Connected Cells Under Cell-to-Cell Variations
针对并联单体差异下仅有模组测量时的SOH估计难题,提出基于信息论特征选择与RVR的ICA/DVA方法,实现高精度、带可信区间且适合车载部署的稀疏估计。
2024-05-19 cs.SY eess.SY
Electrode SOC and SOH estimation with electrode-level ECMs
针对传统等效电路模型无法预测电池老化相关变量的问题,提出基于电极级ECM的电极级SOC与SOH估计方法,可估计双电极锂化状态、更新健康参数并获取衰减模式信息,经仿真与实验验证有效。
2024-10-22 cs.SY eess.SY
Gaussian process-based online health monitoring and fault analysis of lithium-ion battery systems from field data
TU Darmstadt(达姆施塔特工业大学);Massachusetts Institute of Technology(麻省理工学院)
本研究针对锂离子电池系统健康监测需求,基于高斯过程电阻模型与递归时空高斯过程,利用29套保修电池的现场数据实现高效在线故障检测,揭示串联电芯薄弱环节失效规律,并将开源代码与数据集。
2024-10-30 cs.AI cs.LG cs.SY
Piecewise-linear modelling with feature selection for Li-ion battery end of life prognosis
University of Oxford(牛津大学)
锂离子电池退化的复杂性质导致文献中提出了许多基于机器学习的健康预测方法。然而,机器学习可能是计算密集型的。线性方法更快,但以前过于灵活,无法成功预后。对于这两种技术,输入的选择和质量是性能的限制因素。分段线性模型与自动特征选择相结合,提供了一种快速灵活的替代方案,而不像机器学习那样需要大量的计算。在这里,将电池健康预测的分段线性方法与高斯过程回归工具进行了比较,并发现其表现同样出色。输入特征选择过程证明了限制输入之间的相关性的好处。进一步的试验发现,分段线性方法对不断变化的输入大小和训练数据的可用性具有鲁棒性。
2021-07-30 cs.LG cs.SY eess.SY
Operator-Theoretic Joint Estimation of Aging-Aware State of Charge and Control-Informed State of Health
Southern Methodist University(南卫理公会大学)
本文提出基于算子理论的联合估计框架,用于考虑老化因素的状态电量和基于控制信息的状态健康估计,通过端到端训练实现稳定且准确的容量预测。
2025-12-17 cs.SY eess.SY
Prognosis Of Lithium-Ion Battery Health with Hybrid EKF-CNN+LSTM Model Using Differential Capacity
Universiti Putra Malaysia(马来西亚博特拉大学);Gulf University of Science & Technology(海湾科技大学);Universiti Teknikal Malaysia Melaka(马来西亚马六甲技术大学)
本研究提出一种混合EKF-CNN+LSTM模型,结合差分容量分析,预测锂离子电池健康状态,发现LiFePO4电池在多种充放电倍率下性能更稳健。
2025-04-16 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
State of health prediction of lithium-ion batteries for driving conditions based on full parameter domain sparrow search algorithm and dual-module bidirectional gated recurrent unit
针对电动汽车锂离子电池健康状态预测,提出融合全参数域麻雀搜索算法与双模块双向门控循环单元的模型,基于牛津数据集和真实行驶数据实现高精度、强鲁棒性的SOH预测。
2025-05-23 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
State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection
Department of Chemical Engineering(化学工程系);Massachusetts Institute of Technology(麻省理工学院);Department of Chemical and Biomolecular Engineering(化学与生物分子工程系);Yonsei University(延世大学);Department of Battery Engineering(电池工程系)
本文提出一种基于DLinear和鲁棒可解释特征选择的数据驱动框架,通过提取并筛选20个电池特征,在降低计算成本的同时实现了高精度的SOH预测,有效捕捉电池单体差异性。
2025-09-16 cs.LG cs.SY eess.SY
Learning battery model parameter dynamics from data with recursive Gaussian process regression
University of Oxford(牛津大学);RWTH Aachen University(亚琛工业大学)
本文提出结合模型与数据驱动的递归高斯过程回归方法,构建统一的联合状态–参数估计器,以在变化工况和数据缺口下准确估计并预测电池容量与内阻。
2023-04-26 cs.LG cs.SY eess.SY
Incremental capacity-based multi-feature fusion model for predicting state-of-health of lithium-ion batteries
本文提出PSO-BiLSTM-AdaBoost融合模型,利用增量容量分析提取健康指标,结合双向长短期记忆网络与自适应提升算法,实现锂离子电池健康状态的高精度预测,并在CALCE数据集上验证了其优越性。
2025-03-31 cs.SY eess.SY
On-line Capacity Estimation for Lithium-ion Battery Cells via an Electrochemical Model-based Adaptive Interconnected Observer
电池老化是一个自然的过程,会导致容量和功率衰减,导致性能随着时间和使用而逐渐下降。由于缺乏直接测量,老化电池的充电状态(SOC)和健康状态(SOH)监测对电池管理系统(BMS)提出了挑战性的任务。基于电化学模型的估计算法考虑了老化对物理电池参数的影响,可以提供关于电池可用寿命内锂浓度和电池容量的准确信息。温度依赖的电化学模型,增强的单粒子模型(ESPM),形成了自适应互连观测器的合成的基础,该观测器利用容量和功率衰减之间的关系,由于固体电解质界面层(SEI)的生长,为了实现状态的组合估计(两个电极中的锂浓度和电池容量)和老化敏感的传输参数(阳极扩散系数和SEI层离子电导率)。利用李雅普诺夫理论推导了自适应观测器的实用稳定性条件。对实验数据的验证结果表明,有界容量估计误差在其真实值的2%以内。此外,容量估计的有效性进行了测试,为两个细胞在不同阶段的老化。研究了容量估计在测量噪声和传感器偏差下的鲁棒性。
2021-06-24 cs.SY eess.SY
SOC-Boundary and Battery Aging Aware Hierarchical Coordination of Multiple EV Aggregates Among Multi-stakeholders with Multi-Agent Constrained Deep Reinforcement Learning
本研究提出一种基于安全多智能体约束深度强化学习和权益证明算法的分层多利益相关者V2G协调策略,旨在优化DSO、EVA和EV用户的收益,同时增强可再生能源整合、减轻负荷波动并降低充电成本和电池退化。
2024-07-14 cs.SY eess.SY
Balancing SoC in Battery Cells using Safe Action Perturbations
Indian Institute of Technology, Ropar(印度罗帕尔理工学院)
本文提出在深度强化学习智能体上叠加安全层,通过扰动充电动作避免危险状态,并学习可跨电池配置泛化的鲁棒充电策略,从而减少安全违规。
2025-03-11 cs.AI cs.LG cs.SY
A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling
Politecnico di Torino(都灵理工大学)
电动车辆(EV)的广泛采用受限于它们对电池的依赖,与液体燃料相比,电池目前具有低能量和功率密度,并且随着时间的推移会老化和性能劣化。出于这个原因,在EV寿命期间监测电池充电状态(SOC)和健康状态(SOH)是一个非常相关的问题。这项工作提出了一种电池数字孪生结构,旨在准确地反映电池动态的运行时间。为了确保非线性现象的高度正确性,数字孪生依赖于根据电池随时间演变的痕迹进行训练的数据驱动模型:SOH模型,重复执行以估计最大电池容量的退化,以及SOC模型,定期重新训练以反映老化的影响。所提出的数字孪生结构将在公共数据集上举例说明,以激励其采用并证明其有效性,具有高准确性以及与板载执行兼容的推理和再训练时间。
2022-06-16 cs.AI cs.LG cs.NA
DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries
School of Electrical Engineering, Xi’an Jiaotong University(西安交通大学电气工程学院)
电池状态的准确共同估计,例如充电状态(SOC)、健康状态(SOH)和剩余使用寿命(RUL),对于电池管理系统确保安全可靠的管理至关重要。虽然电池的外部性能随着老化程度的变化而变化,但电池的劣化机理具有相似的演化规律。由于电池是复杂的化学系统,这些状态与复杂的电化学过程高度耦合。提出了一种基于状态耦合的SOC、SOH和RUL估计方法--深度周期内和周期间注意力网络(DIICAN),将电池测量数据组织到周期内和周期间的时间尺度上。为了自动提取退化相关特征,并适应实际工况,采用了卷积神经网络。状态劣化关注单元用于提取电池状态演化模式并评估电池劣化程度。为了考虑电池老化对SOC估计的影响,将电池劣化相关状态并入SOC估计中以用于容量校准。DIICAN方法在牛津电池数据集上进行了验证。实验结果表明,该方法能够实现高精度的SOH和RUL联合估计,有效提高整个生命周期内SOC估计精度。
2022-10-20 cs.LG cs.SY eess.SY
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
Intelligent Degradation Monitoring in Lithium-ion Batteries via Discharge Incremental Capacity Feature Estimation
Amirkabir University of Technology(阿米尔卡比尔理工大学)
针对传统IC分析需低电流放电的局限,本文提出基于神经网络的框架,从充电信号直接预测放电IC特征,在53个电池数据集上验证,LSTM模型平衡精度与效率,支持实时BMS集成,实现智能电池退化监测。
2026-09-22 cs.LG cs.SY eess.SP