KL散度保持网络

无需先验知识

提出基于部分电压序列的KL散度特征与改进保持网络，实现与SOH强相关且精度更高的在线健康状态估计。

Guanxu, Chen · 杨方方 · Peng, Weiwen · Fan, Yuqian · Lyu, Ximin

Applied Energy 2024

技术优势

无需先验知识

特征直接从部分电压序列计算，不依赖专家经验或特定模型，避免复杂建模。

精度更高

改进保持网络相比传统深度学习方法能更好地利用健康指标，提升估计精度。

跨工况一致

B样条插值保证不同实验条件和时间间隔下KL散度特征提取一致。

应用场景

• 锂离子电池健康管理：直接输入电压序列估计SOH，无需专家知识，简化健康管理流程。
• 电池管理系统：可集成到现有BMS中，实现实时在线SOH估计。
• 电池预测性维护：准确估计SOH，为预测性维护提供可靠依据。
• 电池状态监控：利用部分电压序列特征实时监控电池状态变化。