Cycle life test optimization for different Li-ion power battery formulations using a hybrid remaining-useful-life prediction method

[Display omitted] •Test optimization for Li-ion battery formulations reduces the cost of testing.•Deep learning is used to predict battery lifespan in high-temperature testing.•The transfer learning method is based on a stacked denoising autoencoder.•A modified Arrhenius model is used for standard-t...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Applied energy Ročník 262; s. 114490
Hlavní autoři:	Ma, Jian, Xu, Shu, Shang, Pengchao, ding, Yu, Qin, Weili, Cheng, Yujie, Lu, Chen, Su, Yuzhuan, Chong, Jin, Jin, Haizu, Lin, Yongshou
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier Ltd 15.03.2020
Témata:	Arrhenius model batteries business enterprises Cycle life test optimization Deep learning heat stress Li-ion power battery lithium prediction Remaining useful life prediction temperature Transfer learning Deep learning Remaining useful life prediction Cycle life test optimization Li-ion power battery Transfer learning Arrhenius model
ISSN:	0306-2619, 1872-9118
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!