A Weighted Feature Fusion-Based SOH Assessment for Lithium-ion Batteries
ID：45
Submission ID：76 View Protection：ATTENDEE
Updated Time：2024-10-23 11:28:37
Hits：34
Oral Presentation
Start Time：2024-11-01 16:40 （Asia/Shanghai）
Duration：20min
Session：[P5] Parallel Session 5 » [P5-1] Parallel Session 5（November 1 PM）
No files
Abstract
锂离子电池的SOH预测对于确保其安全性和延长其使用寿命至关重要。传统的SOH预测方法通常使用手动特征提取结合回归模型，而数据驱动的深度学习方法近年来也取得了显著的成果。然而，在有效整合这些方法方面仍然存在挑战。在本文中，我们提出了一种新的锂离子电池健康状态（SOH）评估方法，该方法将数据驱动的特征和统计特征与注意力机制相结合。通过分析128个统计特征和数据驱动的特征，揭示了特征对SOH评估的重要性贡献。最终组检验的平均均方根误差（RMSE）为0.98%，平均绝对误差（MAE）为0.66%，表明该方法能有效预测锂离子电池的SOH。研究结果有助于更好地理解和预测锂离子电池的SOH，对电池管理系统的设计与优化具有重要意义。
Keywords
State of health,Convolutional neural network,Statistical features,Attention mechanism
Speaker
XuJiaxiu
student 西安交通大学Submission Author
All comments
15th August 2024 31st August 2024- Manuscript Submission
15th September 2024 - Acceptance Notification
1st October 2024 - Camera Ready Submission
1st October 2024 – Early Bird Registration
Contact Us
Website:
https://icsmd2024.aconf.org/
Comment submit