提前预警容量骤降
无需标签即可在容量下降前准确区分异常与正常电池，平均识别点显著早于膝点。
Cong, Wang · 陈云霞 · Zhang, Qingyuan · Zhu, Jiaxiao
Applied Energy 2023
采用量子聚类这一无监督机器学习方法，无需预先标注的正常/异常样本即可区分电池状态。
在两类电池上，平均识别点分别比膝点平均提前45.78%和34.75%，能够在容量骤降前发出预警。
开发了量子聚类的自适应参数估计方法，消除了主观调参对聚类性能的影响。