锂电非线性衰老预测网络

电压片段即测健康状态与拐点

该深度网络能从部分充电电压片段同时预测多步超前健康状态与拐点概率，克服复杂工况下容量非线性衰落的预测难题。

Ji, Shanling · 朱建雄 · Zhiyang, Lyu · You, Heze · Zhou, Y. · 顾刘栋 · Jinqing, Qu · Xia, Zhijie · 张志胜 · 戴海峰

Journal of Energy Chemistry 2023

参数信息

输入数据量

1

验证数据集数量

2

技术优势

输入只需一段电压

只取一个周期的部分原始电压作为模型输入，即可同时输出多步超前的SOH和KPP预测结果。

拐点检测更准

从容量损失曲线中提取拐点概率KPP，专门用于检测拐点并提升快速容量下降阶段的SOH预测精度。

适应不同电池

通过对抗自适应迁移学习实现在线模型更新，能利用无标注样本探索不同退化趋势间的潜在特征。

应用场景

• 电池健康管理软件：为BMS提供多步超前的SOH和拐点预测，提升管理及时性。
• 电动车电池监测：仅需电压片段即可在线预测电池健康与拐点，适合车载连续监测。
• 储能系统运维：通过在线模型更新适应不同储能电池退化模式，辅助运维决策。