黑人巨粗进入警花疼哭A片,免费高清电影网站,小莹的性荡生活第15章

第一作者：Fujin Wang，Zhi Zhai

通訊作者：陳雪峰，趙志斌

通訊單位：西安交通大學

論文速覽

準確的健康狀態（SOH）估計對于鋰離子電池的可靠和安全運行至關重要。然而，由于不同的電池類型和工作條件，可靠和穩定的電池SOH估計仍然具有挑戰性。

本論文提出了一種基于物理信息神經網絡（Physics-informed Neural Network, PINN）的方法，用于鋰離子電池健康狀態（State of Health, SOH）的準確和穩定估計。

研究團隊從實證退化和狀態空間方程的角度出發，建立了影響電池退化的屬性模型，并利用神經網絡捕捉電池退化動態。研究中設計了一種通用的特征提取方法，從電池充滿電之前的短時間內數據中提取統計特征，使得該方法適用于不同類型的電池和充放電協議。

此外，研究團隊生成了一個包含55個鋰鎳鈷錳氧化物（Nickel-Cobalt-Manganese-Oxide, NCM）電池的綜合數據集，并結合了來自不同制造商的另外三個數據集，總共使用了387個電池和310,705個樣本來驗證所提出的方法。平均絕對百分比誤差（MAPE）為0.87%。與替代神經網絡相比，所提出的PINN在常規實驗、小樣本實驗和遷移實驗中表現出色。該研究突出了物理信息機器學習在電池退化建模和SOH估計中的潛力。

圖文導讀

圖1：提出的PINN用于鋰離子電池SOH估計的流程圖。

圖2：XJTU電池數據集的退化軌跡。

圖3：從XJTU提取的8個電池的特征，以及四個數據集中提取的特征與SOH之間的相關系數熱圖。

圖4：SOH估算結果圖解。

圖5：在XJTU數據集批量1和HUST數據集上，三種模型（所提出的PINN、多層感知器（MLP）和卷積神經網絡（CNN））的測試均方根誤差（RMSE）分布情況。

圖6：所提出的物理信息神經網絡的示意圖。

總結展望

本研究提出的基于物理信息的神經網絡（PINN）為鋰離子電池的SOH估計提供了一種新的、有效的解決方案。通過結合物理模型與數據驅動方法的優勢，PINN能夠在不同類型的電池和充放電協議中實現準確和穩定的SOH估計。

此外，研究還證明了PINN在小樣本學習和遷移學習方面的優勢，這對于電池健康管理和維護決策具有重要意義。未來，隨著更多數據和內部變量的可用性，可以考慮更復雜的電化學模型，進一步優化PINN的性能。此外，如何將電池的物理方程與神經網絡更無縫地整合，以及如何在現有數據和計算資源的約束下實現電池健康管理的最優集成，將是未來研究的重要方向。

文獻信息

標題：Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis

期刊：Nature Communications

DOI：10.1038/s41467-024-48779-z

原創文章，作者：wang，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2024/05/26/e1350c7d34/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

博士畢業5年，破格晉升教授，西安交大「杰青」團隊，最新Nature子刊！

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

博士畢業5年，破格晉升教授，西安交大「杰青」團隊，最新Nature子刊！

相關推薦