新書推薦：
《
镜头设计：电影、短剧与短视频的拍摄之道
》
售價：HK$
107.8
《
读懂RWA
》
售價：HK$
86.9
《
复合型AI Agent开发：从理论到实践
》
售價：HK$
108.9
《
选择的权利：推翻罗诉韦德案（译文纪实系列）
》
售價：HK$
129.8
《
符号空间：品牌建筑空间媒介化研究
》
售價：HK$
137.5
《
宫门内外：阴云下的政变
》
售價：HK$
71.5
《
从阅读到输出：靠大量阅读年入7位数 每天15分钟读写闭环，启动人生复利增长系统
》
售價：HK$
76.8
《
世上要有天一阁
》
售價：HK$
74.8
|
| 編輯推薦： |
电池健康状态（SOH）是衡量电池当前性能与全新状态比值的核心指标，其精准预测是电池全生命周期管理的关键，在电动汽车、储能电站、消费电子等场景中具有不可替代的重要性。作为电动汽车的核心部件——电池的健康直接决定车辆续航、动力性能与行驶安全，精准的 SOH预测能实时掌握电池老化程度，提前预警热失控等安全隐患，还能为车主优化充放电习惯、车企制定针对性维保方案提供依据，同时也是二手电动车残值评估、电池梯次利用的重要参考，大幅降低车辆全周期使用与电池运维成本。
当前电池健康状态及其预测已成为客户、车辆集群管理者、研究人员与工业企业共同关注的焦点。鉴于现有方法在真实场景下的局限，《锂离子电池健康状态预测：基于数据驱动的车辆集群服务》提出一种面向实际纯电动汽车运行的电池健康状态预测方法，其基于直方图的特征能够捕捉比恒定实验室工况更高的运营变异性。此外，本书的研究还将既有电池健康状态预测模型迁移至新型电芯及全新运营场景，显著减少所需新增数据量，从而降低成本、缩短周期。该电池健康状态预测方法可通过网页或智能手机App以云服务形式提供给车辆集群管理者。
|
| 內容簡介： |
鉴于现有方法的局限性，《锂离子电池健康状态预测：基于数据驱动的车辆集群服务》提出了一种针对电动汽车实际运行中锂离子电池（LIB）系统的健康状态（SOH）预测方法。该方法基于直方图特征，能够有效捕捉到在复杂实际运行环境下比恒定且受控的实验室条件更高的运行变异性。此外，本书还深入探讨了训练有素的机器学习模型在不同锂离子电池类型及运行环境中的可迁移性。所提出的SOH预测方法可通过网页或智能手机App以云服务的形式提供给车辆集群管理者，助力他们精准预测并合理规划车辆更换，从而优化车辆集群运营效率。
《锂离子电池健康状态预测：基于数据驱动的车辆集群服务》适合动力电池、电池管理系统等研发技术人员及车辆集群管理者阅读参考，也适合作为电动汽车、电气工程等专业的教学参考书。
|
| 關於作者： |
|
Friedrich von Bülow曾于亚琛工业大学（RWTH Aachen University）攻读机械工程与自动化工程专业。他在伍珀塔尔大学（BUW）数字转型技术与管理研究所（TMDT）完成博士论文，同时在汽车行业担任数据科学家，特别关注时间序列数据分析及机器学习应用。
|
| 目錄：
|
前言
致谢
背景
缩略语表
第1章 引言 1
1.1 研究的意义 1
1.2 研究的问题 3
1.3 本书的结构 5
第2章 理论背景 7
2.1 锂离子电池 7
2.1.1 锂离子电池单体的工作原理及组成部分 7
2.1.2 电池表征及运行参数 8
2.1.3 健康状态与剩余使用寿命 11
2.1.4 锂离子电池单体老化机理 14
2.1.5 电池组 16
2.1.6 电池运行情况 20
2.2 回归问题的监督式机器学习 24
2.2.1 人工神经网络 24
2.2.2 特征缩放 27
2.2.3 超参数调优 27
2.2.4 回归问题的度量指标 28
2.2.5 迁移学习 29
第3章 锂离子电池健康状况预测研究 31
3.1 健康状态估计、预测与预报 31
3.2 健康状态预测与剩余使用寿命预测 33
3.3 健康状态预测中的场景 35
3.4 电池模型迁移 36
3.5 模型关键标准 36
第4章 相关工作 40
4.1 筛选方法 40
4.2 健康状态预测模型 42
4.2.1 无未来负载信息的模型 50
4.2.2 包含未来负载信息的模型 50
4.3 电池模型的迁移学习 54
4.4 相关工作中的不足 55
第5章 数据 57
5.1 实验室电池单体数据集 57
5.1.1 斯坦福电池数据集 57
5.1.2 亚琛工业大学ISEA循环老化数据集 60
5.1.3 NASA随机电池使用数据集 60
5.1.4 牛津退化数据集 61
5.2 真实世界电池电动汽车系统数据集 61
第6章 电池单体健康状态预测 65
6.1 方法 65
6.1.1 应力源提取 65
6.1.2 信号选择的决策 68
6.1.3 机器学习回归模型 69
6.2 实验设计 69
6.3 结果 71
6.4 总结及对研究问题的贡献 77
第7章 电池单体健康状态预测的迁移 78
7.1 方法 78
7.1.1 如何迁移：逐层冻结 78
7.1.2 何时迁移：数据可用性 79
7.1.3 基准测试 81
7.1.4 数据 81
7.2 实验设计 81
7.3 结果 83
7.4 总结及对研究问题的贡献 87
第8章 电池系统健康状态预测 88
8.1 方法 88
8.1.1 健康状态预测 88
8.1.2 应力源数据 88
8.2 实验设计 90
8.2.1 基于直方图的特征 90
8.2.2 可访问特征 92
8.2.3 常规设置 92
8.3 结果 93
8.3.1 基于直方图的特征 94
8.3.2 可访问特征 101
8.4 用例 104
8.5 总结及对研究问题的贡献 106
第9章 技术实现的概念 107
9.1 BEV集群 107
9.2 车辆集群利益相关者的角色 107
9.3 最新技术：车辆集群管理 108
9.4 制造商的车辆集群管理理念 109
9.4.1 机器层 110
9.4.2 车辆集群运营商层 110
9.4.3 制造商层 111
9.4.4 数据存储与机器学习模型训练 112
第10章 局限性与展望 113
10.1 方法 113
10.2 未来数据 115
10.3 电池系统 117
10.4 进一步的学习范式 118
第11章 结论 120
附录 122
附录A 电池 122
附录B 机器学习 131
附录C 相关工作 132
附录D 数据 138
附录E 单体预测 139
附录F 系统预测 143
附录G 技术实现 145
参考文献 148
|
| 內容試閱：
|
前言
全球锂离子电池（LIB）的产能与纯电动汽车（BEV）的注册量持续攀升。纯电动汽车的续驶里程与残值受限于电池健康状态（SOH），因此电池健康状态及其预测成为客户、车辆集群管理者、研究人员与工业企业共同关注的焦点。电池健康状态取决于电池在充电、放电及静置阶段所承受的工况负荷，而这些负荷可由电流、温度与荷电状态（SOC）三条时间序列信号完整刻画。从这三条时间序列中提取能够编码“长周期老化”工况负荷及其对应健康状态变化量（ΔSOH）的特征，即可实现对电池健康状态的预测。具体而言，机器学习（ML）模型可学习工况负荷对ΔSOH的影响。鉴于现有方法在真实场景下的局限，《锂离子电池健康状态预测：基于数据驱动的车辆集群服务》提出一种面向实际纯电动汽车运行的电池健康状态预测方法，其基于直方图的特征能够捕捉比恒定实验室工况更高的运营变异性。
此外，《锂离子电池健康状态预测：基于数据驱动的车辆集群服务》的研究还将既有电池健康状态预测模型迁移至新型电芯及全新运营场景，显著减少所需新增数据量，从而降低成本、缩短周期。该电池健康状态预测方法可通过网页或智能手机App以云服务形式提供给车辆集群管理者。通过预测电池健康状态，纯电动汽车集群管理者可提前规划车辆替换，并基于场景化调整描述电池运行的特征来优化车辆集群运营策略，进而降低总拥有成本。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
