Key points are not available for this paper at this time.
La réalisation d'études d'estimation en ligne de l'état de santé des batteries lithium-ion est indispensable pour prolonger la durée de cycle des batteries de stockage d'énergie. Les méthodes basées sur les données sont efficaces, précises et ne dépendent pas de modèles de batteries précis, ce qui constitue une direction importante pour la recherche sur l'estimation de l'état des batteries. Cependant, les relations entre les variables dans les jeux de données des batteries lithium-ion sont principalement non linéaires, et un seul algorithme basé sur les données est susceptible d'une capacité de généralisation faible affectée par le jeu de données lui-même. Par ailleurs, la plupart des études connexes sur l'estimation de la santé des batteries sont des estimations hors ligne, et l'incapacité à réaliser une estimation en ligne constitue également un problème à résoudre. Dans cette étude, une méthode d'apprentissage intégré basée sur un algorithme d'empilement est proposée. Dans cette étude, la tension finale et la température de décharge ont été choisies comme caractéristiques en fonction des données d'échantillon des batteries de la NASA, et la batterie B0005 a été utilisée comme ensemble d'entraînement. Après l'entraînement sur le jeu de données et l'optimisation des paramètres à l'aide d'un algorithme bayésien, le modèle entraîné a été utilisé pour prédire l'état de santé des modèles B0007 et B0018. Après analyse comparative, il a été constaté que les résultats de prédiction obtenus sur la base du modèle proposé présentent non seulement une grande précision et un temps d'exécution court, mais aussi une forte capacité de généralisation, ce qui a un grand potentiel pour réaliser des estimations en ligne.
Dong et al. (Tue,) ont étudié cette question.