使用 LLM 框架的电池健康状态估计
Battery State of Health Estimation Using LLM Framework
AI总结：
本研究提出基于transformer的LLM框架，利用循环和瞬时放电数据估计钛酸锂电池健康状态并预测剩余寿命，在500次循环测试中实现0.87%的低MAE，并能通过异常检测识别早期退化以支持预测性维护。
摘要：
电池健康监测对于电动汽车（EVs）的高效可靠运行至关重要。本研究引入了一个基于 transformer 的框架，通过利用基于循环和瞬时放电数据，来估计钛酸锂（LTO）电池的健康状态（SoH）并预测其剩余使用寿命（RUL）。在 500 次循环下对处于各种循环条件下的八个 LTO 电池进行测试，我们展示了充电持续时间对储能趋势的影响，并应用差分电压分析（DVA）来监测电压范围内的容量变化（dQ/dV）。我们的 LLM 模型实现了卓越的性能，平均绝对误差（MAE）低至 0.87%，以及支持高效处理的各种延迟指标，展示了其在实时集成到电动汽车中的强大潜力。该框架通过高分辨率数据中的异常检测有效识别早期退化迹象，促进预测性维护以防止突发电池故障并提高能源效率。
英文摘要：
Battery health monitoring is critical for the efficient and reliable operation of electric vehicles (EVs). This study introduces a transformer-based framework for estimating the State of Health (SoH) and predicting the Remaining Useful Life (RUL) of lithium titanate (LTO) battery cells by utilizing both cycle-based and instantaneous discharge data. Testing on eight LTO cells under various cycling conditions over 500 cycles, we demonstrate the impact of charge durations on energy storage trends and apply Differential Voltage Analysis (DVA) to monitor capacity changes (dQ/dV) across voltage ranges. Our LLM model achieves superior performance, with a Mean Absolute Error (MAE) as low as 0.87\% and varied latency metrics that support efficient processing, demonstrating its strong potential for real-time integration into EVs. The framework effectively identifies early signs of degradation through anomaly detection in high-resolution data, facilitating predictive maintenance to prevent sudden battery failures and enhance energy efficiency.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
