基于机器学习方法的锂电池剩余寿命预测研究进展

作     者：朱振威 苗嘉伟 祝夏雨 王晓旭 邱景义 张浩 ZHU Zhenwei;MIAO Jiawei;ZHU Xiayu;WANG Xiaoxu;QIU Jingyi;ZHANG Hao

作者机构：军事科学院防化研究院 北京深势科技有限公司 

基　　金：国家自然科学基金(22075320) 

出 版 物：《储能科学与技术》 (Energy Storage Science and Technology)

年 卷 期：2024年第13卷第9期

页      码：3134-3149页

摘      要：随着技术的不断进步和成本的逐步降低，锂电池在电动汽车、储能系统、便携式电子设备等多个领域实现了广泛应用，有效促进了清洁能源的普及和能源结构的优化。掌握锂电池衰变和剩余使用寿命（RUL）对于确保设备稳定运行、提高能源利用效率以及保障用户安全至关重要。通过优化电池设计和使用策略，可以延长锂电池的使用寿命，降低更换成本，进一步推动锂电池的规模化应用。锂电池的性能衰变是一个涉及多尺度化学、电化学反应的复杂过程，涉及其内部从材料、界面到多孔电极、器件等诸多因素影响。各种机器学习（ML）的方法正是建模处理复杂数据、寻找规律、反馈应用的重要手段。本文针对锂电池RUL建模研究的科学问题，综述了ML算法在预测电池RUL领域的最新进展，重点介绍数据驱动的电池管理、预测建模以及利用ML方法来提高电池性能和寿命方面的突破。最后，对当前领域内面临的关键问题进行了归纳总结，以期提供一个基于ML算法的电池RUL预测技术的全面视角，并展望其未来的发展趋势。

主 题 词：电池管理系统 电池剩余寿命 寿命预测 机器学习算法 寿命延长 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 0808[工学-自动化类] 08[工学] 081104[081104] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.19799/j.cnki.2095-4239.2024.0713

馆 藏 号：203138914...