A hybrid machine learning framework for joint SOC and SOH estimation of lithium-ion batteries assisted with fiber sensor measurements

健康状况 计算机科学 克里金 电池(电) 还原(数学) 可靠性(半导体) 卷积神经网络 高斯分布 结构健康监测 人工神经网络 电子工程 工程类 人工智能 机器学习 功率(物理) 电气工程 物理 量子力学 数学 几何学
作者
Yihuan Li,Kang Li,Xuan Liu,Xiang Li,Li Zhang,Bruno Rente,Tong Sun,K. T. V. Grattan
出处
期刊:Applied Energy [Elsevier]
卷期号:325: 119787-119787 被引量:84
标识
DOI:10.1016/j.apenergy.2022.119787
摘要

Accurate State of Charge (SOC) and State of Health (SOH) estimation is crucial to ensure safe and reliable operation of battery systems. Considering the intrinsic couplings between SOC and SOH, a joint estimation framework is preferred in real-life applications where batteries degrade over time. Yet, it faces a few challenges such as limited measurements of key parameters such as strain and temperature distributions, difficult extraction of suitable features for modeling, and uncertainties arising from both the measurements and models. To address these challenges, this paper first uses Fiber Bragg Grating (FBG) sensors to obtain more process related signals by attaching them to the cell surface to capture multi-point strain and temperature variation signals due to battery charging/discharging operations. Then a hybrid machine learning framework for joint estimation of SOC and capacity (a key indicator of SOH) is developed, which uses a convolutional neural network combined with the Gaussian Process Regression method to produce both mean and variance information of the state estimates, and the joint estimation accuracy is improved by automatic extraction of useful features from the enriched measurements assisted with FBG sensors. The test results verify that the accuracy and reliability of the SOC estimation can be significantly improved by updating the capacity estimation and utilizing the FBG measurements, achieving up to 85.58% error reduction and 42.7% reduction of the estimation standard deviation.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
顾矜应助rayy采纳,获得10
刚刚
mm_zxh完成签到,获得积分10
1秒前
研友_ZAe4qZ发布了新的文献求助10
2秒前
灰灰12138完成签到,获得积分10
5秒前
无味完成签到,获得积分10
5秒前
文艺裘完成签到,获得积分10
6秒前
啥,这都是啥完成签到,获得积分10
10秒前
研友_ZAe4qZ完成签到,获得积分20
10秒前
李依伊完成签到,获得积分10
11秒前
细腻的荆完成签到,获得积分10
12秒前
memory完成签到,获得积分10
12秒前
跳跃鱼完成签到,获得积分10
12秒前
深情安青应助很帅的那种采纳,获得10
13秒前
渊仔码头完成签到 ,获得积分10
13秒前
Luis完成签到,获得积分10
16秒前
雨声完成签到,获得积分10
16秒前
17秒前
18秒前
zlk完成签到 ,获得积分10
20秒前
20秒前
20秒前
时差完成签到,获得积分10
22秒前
zoele发布了新的文献求助10
22秒前
游侠客完成签到,获得积分10
22秒前
小九九完成签到,获得积分10
25秒前
云瑾应助自然天思采纳,获得10
25秒前
27秒前
aka小满完成签到,获得积分10
27秒前
Albert完成签到 ,获得积分10
28秒前
YgeekE完成签到,获得积分20
28秒前
28秒前
科目三应助白贝采纳,获得10
29秒前
29秒前
29秒前
30秒前
哎哟很烦发布了新的文献求助10
30秒前
严俊东发布了新的文献求助10
31秒前
32秒前
思源应助自觉誉采纳,获得10
33秒前
33秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Handbook of Qualitative Cross-Cultural Research Methods 600
Very-high-order BVD Schemes Using β-variable THINC Method 568
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3137206
求助须知:如何正确求助?哪些是违规求助? 2788244
关于积分的说明 7785188
捐赠科研通 2444219
什么是DOI,文献DOI怎么找? 1299854
科研通“疑难数据库(出版商)”最低求助积分说明 625606
版权声明 601011