有限数据条件下无时间标签的锂离子电池剩余使用寿命估计的综合框架
锂离子（Li-ion）电池在可再生能源和电动汽车中的应用不断升级，这凸显了对增强预测和健康管理系统的需求，以降低突然故障的风险。确定剩余使用寿命（RUL）是当前电池预测领域最关键的任务之一。尽管统计和机器学习（ML）方法已被证明在研究设置中是有效的，但许多挑战阻碍了将这些预测方法应用于现实场景。这些挑战包括：（1）缺乏具有类似实验条件的运行到故障数据集。（2）在容量与放电周期对中呈现的数据粒度低。（3）在现实场景中缺乏“时间标识符”。时间标识符是提供有关工作电池当前退化状态的知识的任何标签。为这项研究开发的研究问题是，“在没有时间标识符的情况下，数据有限的锂离子电池的剩余使用寿命能否预测？”具体目的是估计有限数据的时间标识符并预测RUL，结合可靠性分析和深度学习的创新框架解决了这些具体目标。实验数据用于测试框架的功能，将训练数据集限制为只有三个电池，测试数据集限制为另一个电池的小样本（< 10个数据点）。这项新方法使得RUL预测能够达到大约5个周期的误差和6.24个周期的均方根误差，表现优于其他在锂离子电池剩余使用寿命预测中使用更多电池退化数据但无时间标识符的基准研究。
