找到 1 条结果
基于物理信息神经网络的锂离子电池健康状态、剩余使用寿命与短期退化路径联合估计
Physics-informed neural network for co-estimation of state of health, remaining useful life, and short-term degradation path in Lithium-ion batteries
Li Yanga · Mingjian Heab · Yatao Ren · Baohai Gao 等5人 · Applied Energy · 2025年1月 · Vol.398
摘要 锂离子电池由于各种内部和外部因素会随时间逐渐退化，这种退化带来了显著的安全性和可靠性风险，凸显了电池健康管理作为关键研究领域的重要性。然而，当前仍面临一个重大挑战，即开发一种通用的健康管理方法，以适应不同的电池材料、工作环境以及多样化的任务需求。为应对这一问题，本文提出了一种新颖的多任务健康管理方法，该方法将多任务处理框架与物理信息神经网络相结合。通过共享参数与任务特定参数的协同设计，并结合基于物理规律的特征提取机制，该方法高效地整合了健康状态估计、剩余使用寿命预测以及短期退化路径预测三项...
解读: 该物理信息神经网络多任务学习框架对阳光电源储能系统具有重要应用价值。可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,实现SOH估算(误差0.75%)、RUL预测(误差104循环)和短期退化路径预测的协同管理。其基于恒压充电阶段电压电流数据的特征提取方法,与阳光电源iSolarCl...