基于深度迁移学习的健康意识汽车电池状态估计,Applied Energy
建立准确的数学模型是管理、监控和保护电动汽车 (EV) 电池组的基础。基于深度学习算法的状态估计方法的应用可以显着提高电池模型的准确性和稳定性，但受限于训练数据的巨大需求。本文通过利用基于新型深度迁移学习方法的多源数据来解决健康意识电池建模的挑战。首先，设计了一个基于云的电池管理框架，该框架能够收集和处理来自各种电动汽车的电池运行数据，并为部署迁移学习方法提供基础。收集的数据集中的电池健康状态信息由通用感知模型标记，它通常可用于量化不同电池组的老化状态并促进知识转移过程。此外，还开发了一种深度迁移学习方法来促进电池模型的训练过程，其中来自不同类型电动汽车的运行数据可用于建立状态估计器。该方法通过从两种类型的电动巴士收集的电池运行数据进行验证。通过开发的健康状态感知模型和迁移学习方法，电池模型误差在整个生命周期内可以控制在2.43%和1.27%。其中来自不同类型电动汽车的运行数据可用于建立状态估计器。该方法通过从两种类型的电动巴士收集的电池运行数据进行验证。通过开发的健康状态感知模型和迁移学习方法，电池模型误差在整个生命周期内可以控制在2.43%和1.27%。其中来自不同类型电动汽车的运行数据可用于建立状态估计器。该方法通过从两种类型的电动巴士收集的电池运行数据进行验证。通过开发的健康状态感知模型和迁移学习方法，电池模型误差在整个生命周期内可以控制在2.43%和1.27%。
"点击查看英文标题和摘要"
相关知识
电池健康检测首进社区 为居民电动自行车深度“体检”
工信部将公布电动自行车用锂电池健康评估网点
《电动自行车用锂离子电池健康评估工作指引》解读
电动汽车电磁辐射并不高 中国汽车健康指数测评
电动汽车，伴你健康出行
创维汽车
科学制定健康评估工作指引 消除电动自行车用锂离子电池安全隐患
科学制定健康评估工作指引消除电动自行车用锂离子电池安全隐患
工信部拟进一步加强电动自行车用锂离子电池健康评估工作
健康状态评估
网址: 基于深度迁移学习的健康意识汽车电池状态估计,Applied Energy https://m.trfsz.com/newsview561903.html
