知识融合Transformer分选

250次循环后一致性0.0144

把专家经验固化进特征，用改进DPC让电池模组分选更均衡。

Liu, Zhenjie · Wang, Yudong · Bai, Xiwei · Xiang, Wang · 贺建军

Lecture Notes in Electrical Engineering 2025

参数信息

模组平均健康状态

92.98 %

电池包平均不一致性得分

0.0144

技术优势

融合专家知识

通过构建基于专家知识的特征提取器，将领域经验固化到数据特征中，弥补了纯数据驱动方法的不足。

分组更均衡

采用改进的DPC聚类算法，在250次循环后电池包平均不一致性得分低至0.0144，优于对比方法。

应用场景

• 电池分选：从多源特征中融入专家经验，提高分选后电池组的一致性。
• 电池模组一致性：通过改进DPC聚类直接优化模组成组一致性，降低不一致性得分。