清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Small-Sample Battery Capacity Prediction Using a Multi-Feature Transfer Learning Framework

概化理论 计算机科学 学习迁移 电池(电) 特征(语言学) 样品(材料) 机器学习 样本量测定 限制 均方误差 预测建模 人工智能 电池容量 数据挖掘 功率(物理) 统计 工程类 哲学 物理 化学 机械工程 量子力学 色谱法 语言学 数学
作者
Xiaoming Lu,Xianbin Yang,Xinhong Wang,Yu Shi,Jing Wang,Yiwen Yao,Xuefeng Gao,Haicheng Xie,Siyan Chen
出处
期刊:Batteries [Multidisciplinary Digital Publishing Institute]
卷期号:11 (2): 62-62
标识
DOI:10.3390/batteries11020062
摘要

The accurate prediction of lithium-ion battery capacity is crucial for the safe and efficient operation of battery systems. Although data-driven approaches have demonstrated effectiveness in lifetime prediction, the acquisition of lifecycle data for long-life lithium batteries remains a significant challenge, limiting prediction accuracy. Additionally, the varying degradation trends under different operating conditions further hinder the generalizability of existing methods. To address these challenges, we propose a Multi-feature Transfer Learning Framework (MF-TLF) for predicting battery capacity in small-sample scenarios across diverse operating conditions (different temperatures and C-rates). First, we introduce a multi-feature analysis method to extract comprehensive features that characterize battery aging. Second, we develop a transfer learning-based data-driven framework, which leverages pre-trained models trained on large datasets to achieve a strong prediction performance in data-scarce scenarios. Finally, the proposed method is validated using both experimental and open-access datasets. When trained on a small sample dataset, the predicted RMSE error consistently stays within 0.05 Ah. The experimental results highlight the effectiveness of MF-TLF in achieving high prediction accuracy, even with limited data.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
喜悦的唇彩完成签到,获得积分10
2秒前
4秒前
尔玉完成签到 ,获得积分10
34秒前
鸡鸡大魔王完成签到,获得积分10
48秒前
智慧金刚完成签到 ,获得积分10
54秒前
蓝意完成签到,获得积分0
55秒前
科研通AI2S应助科研通管家采纳,获得10
56秒前
1分钟前
如果完成签到 ,获得积分10
1分钟前
luo完成签到,获得积分10
1分钟前
vbnn完成签到 ,获得积分10
2分钟前
絮絮徐完成签到,获得积分10
2分钟前
2分钟前
星辰大海发布了新的文献求助10
2分钟前
naczx完成签到,获得积分0
2分钟前
螺丝炒钉子完成签到,获得积分10
2分钟前
2分钟前
OsamaKareem应助科研通管家采纳,获得10
2分钟前
OsamaKareem应助科研通管家采纳,获得10
2分钟前
3分钟前
松松完成签到 ,获得积分10
3分钟前
吃鱼发布了新的文献求助10
3分钟前
乐瑶完成签到,获得积分10
3分钟前
会飞的柯基完成签到 ,获得积分10
3分钟前
帅气的芷文完成签到,获得积分10
3分钟前
4分钟前
西江月发布了新的文献求助10
4分钟前
哈哈哈完成签到,获得积分10
4分钟前
紫熊发布了新的文献求助30
4分钟前
ffff完成签到,获得积分10
4分钟前
4分钟前
唐唐完成签到 ,获得积分10
4分钟前
机智的苗条完成签到,获得积分10
4分钟前
4分钟前
紫熊发布了新的文献求助30
5分钟前
yuer完成签到 ,获得积分10
5分钟前
5分钟前
标致初曼完成签到,获得积分10
5分钟前
wangfaqing942完成签到 ,获得积分10
6分钟前
西瓜发布了新的文献求助10
6分钟前
高分求助中
Malcolm Fraser : a biography 680
Signals, Systems, and Signal Processing 610
天津市智库成果选编 600
Climate change and sports: Statistics report on climate change and sports 500
Forced degradation and stability indicating LC method for Letrozole: A stress testing guide 500
Organic Reactions Volume 118 400
A Foreign Missionary on the Long March: The Unpublished Memoirs of Arnolis Hayman of the China Inland Mission 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 工程类 有机化学 化学工程 生物化学 计算机科学 物理 内科学 复合材料 催化作用 物理化学 光电子学 电极 细胞生物学 基因 无机化学
热门帖子
关注 科研通微信公众号,转发送积分 6458433
求助须知:如何正确求助?哪些是违规求助? 8267933
关于积分的说明 17621109
捐赠科研通 5527101
什么是DOI,文献DOI怎么找? 2905658
邀请新用户注册赠送积分活动 1882439
关于科研通互助平台的介绍 1727096