Přehled metod strojového učení pro predikci SoH lithno-iontových baterií

Overview of machine learning methods for SoH prediction of lithium-ion batteries

článek ve sborníku mimo WoS a Scopus

čeština

Lithium-iontové baterie jsou klíčovou technologií pro moderní skladování elektrické energie. Časem však degradují v důsledku kalendářního stárnutí a cyklování, přičemž zátěžové faktory, jako je skladování baterie mimo doporučenou provozní teplotu nebo cyklování vysokými proudy, tento proces urychlují. Metody strojového učení se v této oblasti jeví jako perspektivní metody predikce, ale záleží na typu použitého modelu, aby spolehlivě určil, které faktory mohou urychlit degradaci, a tím i celkový pokles kapacity. Tento článek poskytuje obecný přehled metod strojového učení z dostupné literatury, kde byl odhad stavu baterie proveden na veřejném souboru dat od NASA na li-ion baterii 18650.

Lithium-ion batteries are a crucial technology for modern electrical energy storage. However, they degrade over time due to calendar aging and cycling, with stress factors like storing the battery outside its recommended operating temperature or cycling with high currents accelerating this process. Machine learning methods appear to be perspective prediction methods in this area, but it depends on the type of model used to reliably identify what factors can accelerate degradation and therefore overall capacity decrease. This paper provides a general overview of machine learning methods from the available literature, where State-of-Health estimation was performed on a public dataset from NASA on a 18650 Li-ion battery.

Li-ion baterie, Strojové učení

Li-ion bateries, Machine learning

SEDLAŘÍK, M.; VYROUBAL, P.

4. 7. 2024

Česká elektrotechnická společnost

Hatě

978-80-02-03054-6

45. Nekonvenční zdroje elektrické energie

1

1

55

57

3

https://nzee.cz/download/sbornik/Sbornik_NZEE_2024.pdf