一种基于集成机器学习的液态金属电池快速分选方法

作者：夏珺羿; 石琼林; 蒋凯; 何亚玲; 王康丽^*

来源：电工技术学报, 2023, 38(21): 5900-5912.

DOI：10.19595/j.cnki.1000-6753.tces.221574

• 电池分选
• 液态金属电池
• 机器学习
• 集成机器学习
• 特征选择

电池分选方法能够有效降低电池间的不一致性，显著提升储能系统的性能、降低安全隐患。由于液态金属电池具有容量大、内阻小等特点，现有分选方法难以满足其分选的要求。针对现有分选方法耗时长、精度较低的问题，该文提出了一种基于集成机器学习的液态金属电池快速分选方法。该方法利用活化期的电池数据作为输入，通过特征选择和集成学习方法结合不同模型优势，并根据集成模型对预测得到的电池容量进行分选。与现有分选方法相比，该方法避免了额外的电池测试从而实现了快速分选，同时具有更低的预测误差与更好的可靠性。研究结果表明：相较于主流的分选方法，该分选方法的预测误差降低了52.16%，可靠性提升了9.10%，在电池分选上实现了高准确率和召回率，分别为96.62%和93.18%。在规模储能的电池分选中，该方法具有显著的潜在应用价值。

• 单位
  电子工程学院; 华中科技大学; 强电磁工程与新技术国家重点实验室