深度神经网络电荷曲线预测模型

平均误差低于 9.35 mAh

仅利用部分充电曲线即可预测完整恒流充电曲线，并可通过外部信息进一步提升精度。

Yupeng, Lin · Qiuyang, Liu · 陈源龙 · 王春宇 · Wang, Junjie · 赵玲玲

Journal of Power Sources 2024

参数信息

平均误差（无外部信息）

9.35 mAh

平均误差（含外部信息）

7.37 mAh

技术优势

只需片段

仅利用部分充电曲线即可预测完整恒流充电曲线，无需采集完整数据。

外部信息可选项

可加入环境温度、总充电量等外部信息或复合输入来提升模型性能。

误差够低

无外部信息时平均误差低于 9.35 mAh，加入外部信息后低于 7.37 mAh，适用于 1.1 Ah 电池。

跨数据集鲁棒

在三个不同电池数据集上验证，涵盖不同输入、充电协议和温度。

应用场景

• 电池管理系统充电状态估计：用部分充电数据实时预测完整曲线，提升荷电状态估算精度。
• 锂离子电池健康监测：从预测的充电曲线中提取健康特征，用于电池老化评估。
• 电池数据驱动分析：替代传统机理模型，无需完整充放电数据即可完成分析。