文档名：一种基于集成机器学习的液态金属电池快速分选方法
摘要：电池分选方法能够有效降低电池间的不一致性,显著提升储能系统的性能、降低安全隐患.由于液态金属电池具有容量大、内阻小等特点,现有分选方法难以满足其分选的要求.针对现有分选方法耗时长、精度较低的问题,该文提出了一种基于集成机器学习的液态金属电池快速分选方法.该方法利用活化期的电池数据作为输入,通过特征选择和集成学习方法结合不同模型优势,并根据集成模型对预测得到的电池容量进行分选.与现有分选方法相比,该方法避免了额外的电池测试从而实现了快速分选,同时具有更低的预测误差与更好的可靠性.研究结果表明:相较于主流的分选方法,该分选方法的预测误差降低了52.16％,可靠性提升了9.10％,在电池分选上实现了高准确率和召回率,分别为96.62％和93.18％.在规模储能的电池分选中,该方法具有显著的潜在应用价值.
作者：夏珺羿 石琼林 蒋凯 何亚玲 王康丽 Author：XiaJunyi ShiQionglin JiangKai HeYaling WangKangli
作者单位：强电磁工程与新技术国家重点实验室(华中科技大学电气与电子工程学院)武汉430074电力安全与高效利用教育部工程研究中心武汉430074
刊名：电工技术学报 ISTICEIPKU
Journal：TransactionsofChinaElectrotechnicalSociety
年，卷(期)：2023, 38(21)
分类号：TM911
关键词：电池分选 液态金属电池 机器学习 集成机器学习 特征选择
Keywords：Batterysorting liquidmetalbattery machinelearning ensemblelearning featureselection
机标分类号：TM911TP391TM715
在线出版日期：2023年11月21日
基金项目：国家自然科学基金，国家重点研发计划一种基于集成机器学习的液态金属电池快速分选方法[
期刊论文] 电工技术学报--2023, 38(21)夏珺羿 石琼林 蒋凯 何亚玲 王康丽电池分选方法能够有效降低电池间的不一致性,显著提升储能系统的性能、降低安全隐患.由于液态金属电池具有容量大、内阻小等特点,现有分选方法难以满足其分选的要求.针对现有分选方法耗时长、精度较低的问题,该文提出了一种...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
一种基于集成机器学习的液态金属电池快速分选方法 A Rapid Liquid Metal Battery Sorting Method Based on Ensemble Learning
一种基于集成机器学习的液态金属电池快速分选方法.pdf
- 文件大小:
- 16.99 MB
- 下载次数:
- 60
-
高速下载
|
|
