针对当前新能源电池寿命预测模型多聚焦单一物理场、难以刻画电、热、化学多场耦合衰减机制,导致复杂工况下预测精度低、适应性差的问题,提出一种基于双通道深度神经网络(Dual-channel Deep Neural Network,DCDNN)的电池寿命预测模型。...针对当前新能源电池寿命预测模型多聚焦单一物理场、难以刻画电、热、化学多场耦合衰减机制,导致复杂工况下预测精度低、适应性差的问题,提出一种基于双通道深度神经网络(Dual-channel Deep Neural Network,DCDNN)的电池寿命预测模型。该模型以多物理场耦合数学方程为理论基础,融合深度神经网络对复杂非线性关系的拟合能力,综合纳入电池运行过程中的热效应、电特性变化及化学反应速率等关键影响因素,构建多场协同作用下的电池衰减规律映射模型,实现对不同工况下电池寿命的精准预测。实验结果表明,DC-DNN模型在预测性能上显著优于传统单物理场(热、电、化学)模型,可稳定适配锂离子电池、镍氢电池等不同电池类型及高低温等多样化运行场景;整体预测误差远低于常规模型,为电池全生命周期管理与系统运维策略优化提供了技术参考。展开更多
文摘针对当前新能源电池寿命预测模型多聚焦单一物理场、难以刻画电、热、化学多场耦合衰减机制,导致复杂工况下预测精度低、适应性差的问题,提出一种基于双通道深度神经网络(Dual-channel Deep Neural Network,DCDNN)的电池寿命预测模型。该模型以多物理场耦合数学方程为理论基础,融合深度神经网络对复杂非线性关系的拟合能力,综合纳入电池运行过程中的热效应、电特性变化及化学反应速率等关键影响因素,构建多场协同作用下的电池衰减规律映射模型,实现对不同工况下电池寿命的精准预测。实验结果表明,DC-DNN模型在预测性能上显著优于传统单物理场(热、电、化学)模型,可稳定适配锂离子电池、镍氢电池等不同电池类型及高低温等多样化运行场景;整体预测误差远低于常规模型,为电池全生命周期管理与系统运维策略优化提供了技术参考。
