State-of-health (SOH) evaluation on lithium-ion battery by simulating the voltage relaxation curves
PulseAugur coverage of State-of-health (SOH) evaluation on lithium-ion battery by simulating the voltage relaxation curves — every cluster mentioning State-of-health (SOH) evaluation on lithium-ion battery by simulating the voltage relaxation curves across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI模型利用有限数据改进锂离子电池健康状态估计
研究人员开发了新的锂离子电池健康状态（SOH）估计方法，特别是在标记数据稀缺的情况下。一种方法利用降解对齐的自监督学习和CNN-GRU模型，即使只有1%的标记数据也能实现低误差率。另一种方法采用物理信息神经网络，利用电池部分放电数据实时估计SOH并预测退化，为异构操作条件提供了更稳健的解决方案。
-
物理信息神经网络改进电池健康预测
研究人员开发了PiDDM，一个将物理信息神经网络与退化动力学相结合的新框架，以改进锂离子电池健康状态的预测。通过结合与固体电解质界面生长和锂库存损失相关的经验Arrhenius退化动力学，PiDDM鼓励物理上一致的容量衰减。在公共数据集上的评估表明，与多层感知机和基线物理信息神经网络相比，PiDDM实现了更低的预测误差，特别是在长期外推场景中，它避免了非物理容量再生。
-
新的RoSIP-Batt框架增强了锂离子电池健康和寿命预测
研究人员开发了一个名为RoSIP-Batt的新框架，以改进锂离子电池健康状态（SOH）和剩余使用寿命（RUL）的联合预测。该方法解决了SOH估计和RUL预测的独特噪声特征平衡的挑战。RoSIP-Batt利用具有新颖不确定性加权机制的贝叶斯多任务目标，并在Transformer架构中融入旋转位置嵌入（RoPE）来模拟时间退化模式。在多个数据集上的评估表明，RoSIP-Batt显著优于现有方法，SOH估计的平均绝对误差（MAE）为1.99…