有限公司Chenchen, Dong与Dashuai, Sun等学者合作发表Applied Energy（IF=11！）：基于小样本学习的多源域迁移学习，用于锂离子电池热失控诊断
论论资讯 ｜ 2024-04-29 ｜
30热度
Applied Energy
Explore content
About the journal
Publish with us
Multi-source domain transfer learning with small sample learning for thermal runaway diagnosis of lithium-ion battery
Dong C.; Sun D.
Published：2024-07-01
DOI：10.1016/j.apenergy.2024.123248
研究背景
在当今社会，随着电动汽车和可再生能源的普及，锂离子电池的安全性备受关注。然而，基于少量热失控数据的数据驱动热失控诊断往往难以获得令人满意的准确性。同时，真实热失控数据的获取成本高昂，这给研究带来了挑战。
研究内容
最新的研究发表在《Applied Energy》期刊上，题为《多源领域迁移学习与小样本学习用于锂离子电池热失控诊断》。该研究提出了一种名为MDTL-FSL的诊断方法，结合了小样本学习和对抗学习的思想。通过使用多个不同但相关的热失控案例数据，该方法能够获取通用的诊断知识，实现锂离子电池热失控的准确诊断。
首先，为了避免算法模型在多源领域之间数据分布差异较大导致的负迁移，研究提出了一种基于分段压力差的数据分布差异测量方法。其简单而有效，可从多源领域中选择与目标领域数据分布差异较小的源领域。其次，将对抗学习思想整合到多源领域迁移学习中，以学习时间不变特征。最后，通过设计源领域重组机制，基于元学习思想找到决策边界，实现多源领域中的小样本学习。
研究结果表明，与其他数据驱动算法相比，本文提出的MDTL-FSL模型具有更高的准确性。同时，在不同工作条件下，使用不同类型和容量的电池触发热失控，该算法能够在热失控发生之前发出预警，有效确保能源存储系统的安全运行。
研究意义
这项研究的创新之处在于结合了小样本学习和对抗学习的方法，为锂离子电池热失控诊断提供了新的思路。通过提高准确性和发出早期警告，这项研究有助于提升电池安全性，推动可再生能源的更安全、更可靠的应用。
学术热榜
查看全部
相关资讯
换一批