【⭐⭐⭐】2024/09/18：Battery cumulative lifetime prognostics to bridge laboratory and real-life scenarios (电池累积使用寿命预测：连接实验室与实际应用场景)。
【⭐⭐】2020/06/23：Digital twin for battery systems: Cloud battery management system with online state-of-charge and state-of-health estimation (电池系统的数字孪生：基于SOC和SOH估计的云电池管理系统)。

[Click here] Paper I: Battery cumulative lifetime prognostics to bridge laboratory and real-life scenarios

Battery cumulative lifetime prognostics to bridge laboratory and real-life scenarios (电池累积使用寿命预测：连接实验室与实际应用场景)

本文亮点一是提出了电池累积使用寿命指标，从而可忽略了动态工况的复杂性，我觉得这是统一复杂实际工况和实验室工况的关键。从能量角度来说，不考虑局部失效的情况下，该假设理应是成立的。不过作者也承认该概念并非首创。亮点二是公开了一个电池数据集，这可能是本文的最大贡献（从描述看是实验室做的实验，300粒电池做了4年）。预测模型使用的是GPR（Gaussian Process Regressor，高斯过程回归），通过Python容易实现，应该是前几年Nature Communication上文章一脉相承的方法。

查看原文

Dongzhen Lyu (吕东祯) et al.

Wenzhou University (温州大学)

2024/09/18

提供一个通过sklearn实现GPR模型的参考案例：


import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C

kernel = C(1.0, (1e-3, 1e3)) * RBF(10, (1e-2, 1e2))
gpr = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=10)  # 模型定义
gpr.fit(X_train, y_train)  # 模型训练
y_pred, y_std = gpr.predict(X_test, return_std=True)  # 模型预测

mpe = np.mean(np.abs((y_pred - y_test) / y_test) * 100)
print("平均百分比误差 (MPE):", mpe)

[Click here] Paper II: Digital twin for battery systems: Cloud battery management system with online state-of-charge and state-of-health estimation

Digital twin for battery systems: Cloud battery management system with online state-of-charge and state-of-health estimation (电池系统的数字孪生：基于SOC和SOH估计的云电池管理系统)

Journal of Energy Storage (IF=8.9)

云端BMS的文章相对还比较少，相对于传统的嵌入式BMS，初始投资成本高，对网络基建要求也高，而ROI（投资回报）待验证。另外，对于两种方法，我认为主要的区别在于可执行的计算复杂度有差异——如果找到必要的指标，只能通过复杂计算和大量数据得出，那这个技术大概率适合于云端BMS技术。虽然应用方面的路线还不太明晰，但本文所提及的概念却并非最新的，主要创新点还是在于算法上（实际的验证工作感觉有点牵强）——使用自适应扩展H-无穷大滤波器（AEHF）进行电池状态充电（SOC）估计，以及使用粒子群优化（PSO）进行电池健康状态（SOH）估计。关键词：Cloud BMS（云端电池管理系统）、Digital twin（数字孪生）、SOC、SOH。

查看原文

Weihan Li et al.

RWTH Aachen University, Germany (德国亚琛工业大学)

2020/06/23