收录于能源领域全球权威期刊《Journal of Energy Storage》第一作者
应用基于统计学的“函数型数据分析”,突破传统深度学习方法局限
启明大学(校长 Shin Ilhee)统计学系硕士研究生研究员 Lee Doyun 参与的电池老化预测研究论文,已发表于能源领域国际学术期刊《Journal of Energy Storage》。
该期刊影响因子为9.8,在期刊引证报告(Journal Citation Reports)中位列前14.3%,是一份颇具声望的学术期刊。
本次论文《Functional Modeling of Lithium-Ion Battery Degradation for Enhanced Capacity Prediction(为提升容量预测精度而进行的锂离子电池老化函数建模)》提出了一个基于统计学的分析框架,用于精确预测锂离子电池的性能退化。
研究团队将电池充放电过程中产生的电压数据,从简单的数值序列转换为连续函数形式进行分析,应用了函数型数据分析(Functional Data Analysis, FDA)方法。
这一方法被评价为能够有效分析此前以时间序列为中心的深度学习方法难以捕捉的电压曲线形态信息和细微老化模式。
尤其是,研究团队利用了美国国家航空航天局(NASA)的12种电池和牛津大学电池数据集中8种电池等公开数据集,对模型性能进行了验证。
分析结果显示,所提出的模型相比既有的深度学习预测模型,表现出更高的预测精度和稳定性。
在电池老化过程中,模型还能有效反映诸如容量在短暂阶段出现回升的“容量恢复现象”(capacity regeneration)等非线性特性,从而提升了技术完整度。
研究中应用了函数型线性回归(Functional Linear Regression, FLR)模型,并与循环神经网络(Recurrent Neural Network, RNN)、长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环单元(Gated Recurrent Unit, GRU)等既有模型进行了对比分析。
结果表明,即使在无需复杂结构或额外特征提取过程的情况下,该方法也同时具备优异的可解释性和预测性能。
本研究由首尔女子大学数据科学系教授 Ahn Kyungmin 研究团队共同参与完成。
研究员 Lee Doyun 以第一作者身份参与,主导了模型设计与整体数据分析工作,对核心研究成果的产出作出了重要贡献。
研究员 Lee Doyun 表示:“通过将电池数据以函数形式进行解析,我们能够反映出以往方法难以捕捉的老化特性。希望本研究有助于提升电池管理系统(Battery Management System, BMS)的可靠性,并提高能源存储装置的安全性。”
另一方面,本研究得到了韩国研究财团硕士研究生研究激励金项目及首尔女子大学的资助。
版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。