
-
生物通官微
陪你抓住生命科技
跳动的脉搏
兼顾精度与计算效率的锂离子电池剩余使用寿命预测框架研究
《Scientific Reports》:Feature driven machine learning framework for accurate and computationally efficient remaining useful life prediction of lithium-ion batteries
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确估算锂离子电池的剩余使用寿命(RUL)对于提升电动汽车(EV)的可靠性、安全性和成本效益至关重要。尽管已有几种机器学习模型被用于RUL预测,但许多模型需要复杂的特征工程或较高的计算成本,这限制了它们在电池管理系统中的实际应用。本研究提出了一种预测框架,旨在平衡预测精度与计
准确估算锂离子电池的剩余使用寿命(RUL)对于提升电动汽车(EV)的可靠性、安全性和成本效益至关重要。尽管已有几种机器学习模型被用于RUL预测,但许多模型需要复杂的特征工程或较高的计算成本,这限制了它们在电池管理系统中的实际应用。本研究提出了一种预测框架,旨在平衡预测精度与计算效率。该框架利用了来自NASA电池退化数据集的传感器衍生特征。首先通过探索性数据分析和归一化处理这些数据以提高其质量。特征分析表明,最大放电电压和最小充电电压是电池退化的两个最具影响力的指标。然后使用这些特征训练了三种回归模型:k-近邻(kNN)、支持向量回归(SVR)和随机森林(RF)。通过多种统计性能指标对这些模型进行了评估。其中,随机森林模型表现最佳,决定系数(\(R^{2}\))为0.9421,均方根误差(RMSE)为77.47。kNN模型在预测精度上与之相当,但训练时间更短。然而,支持向量回归模型的预测精度较低,计算成本较高。进一步使用独立电池数据集验证了该框架的有效性,结果表明预测的RUL与实际退化趋势高度吻合。这些结果表明,所提出的方法能够提供准确、可靠且计算效率高的RUL估算,适用于电动汽车的实时电池健康监测和预测性电池管理。未来,该框架有潜力推动高效且可扩展的电池健康管理系统的发展。此外,还可以将其扩展到深度学习和自适应模型,以便在不同工作条件下使用。