锂电池寿命预测精度提升 20%！上海交大团队发布半监督学习方法 PBCT，提取无标签数据中的隐藏信息
💡
原文中文，约4100字，阅读约需10分钟。
📝
内容提要
上海交通大学的研究团队提出了一种名为部分贝叶斯协同训练（PBCT）的半监督学习技术，用于锂电池寿命预测。该方法利用无标签数据提取隐藏信息，提高了预测精确度。PBCT在电池寿命预测中取得了高达20%的提升，并揭示了关键因素。研究成果发表在国际权威期刊Joule上。
🎯
关键要点
- 锂电池在现代社会中广泛应用，但存在安全隐患，如过充和短路引发火灾。
- 准确预测锂电池寿命对其安全可持续运行至关重要，传统预测方法精度有限。
- 上海交通大学研究团队提出部分贝叶斯协同训练（PBCT）技术，利用无标签数据提升电池寿命预测精度。
- PBCT方法在电池寿命预测中取得高达20%的提升，且几乎无需额外数据采集成本。
- 研究使用124节电池的开源数据集，分为3个子数据集，提取20个输入特征。
- PBCT方法通过部分视图模型和完整视图模型联合训练，减少过拟合，提高预测准确性。
- 实验结果显示，PBCT在离线和在线情境下均优于传统基线方法，如Lasso和Elastic net。
- PBCT方法在经济性分析中显示出较低的循环成本，节省高达28,36.5个循环，降低数据采集成本。
- 研究揭示了影响电池寿命的关键因素，为数据驱动的电池状态估计开辟新路径。
- 课题组在锂电池领域持续研究，已在国际知名期刊发表多篇论文，获得多项荣誉。
➡️
