App简介

Battery SOH Prediction 是北京深势科技有限公司开发的电芯预训练模型。主要针对电芯性质寿命预测问题. 目前 Battery SOH Prediction 有前处理、微调与推断、后处理三个模块。 未来 Battery SOH Prediction 将会面向电芯研发领域的所有工程师和科学家，致力于提供包括SOH等在内的多个下游任务预测功能，有助于降低预测数据需求，提升预测精度，加速电芯研发。

最佳实践

前处理模块（Preprocess）

1. 上传原始电池循环数据文件，并设置包括数据集划分比例、充放电类型等相关参数。也可以使用公开数据集（在数据集类型中选择，目前支持MATR和HUST数据集）。这里我们以案例数据为例：
2. 点击提交后，等待任务完成即可在 preprocess_data 文件夹获取处理后的训练、验证和测试数据集。也可以将这些数据保存在项目盘中。

微调和推断模块（Core）

1. 上传在前处理模块得到的训练/验证/测试数据集(案例数据)。然后设置在模型训练时需要用到的参数，其中包括电信号片段长度、数据量等数据参数，训练轮次数Epoch、批次大小等超参数和From Scratch、预训练模型版本等模型训练选项。

2. 点击提交后，等待任务完成即可在 outputs 文件夹获取训练时loss的tensorboard文件和inference文件夹中的对于测试数据集的推断结果文件。

后处理模块（Postprocess）

1. 上传在微调推断模块得到的推断结果文件(案例数据)。同时，后处理模块也支持上传其他模型的推断结果（须保持格式相同）。
2. 点击提交后，等待任务完成即可在 postprocess_results 文件夹获取经过后处理的结果图片，如下图右侧所示，预测结果为橙色圆点，真实SOH为蓝色线。

案例数据下载

参考文献

[1] Severson et al. Data-driven prediction of battery cycle life before capacity degradation. Nature Energy volume 4, pages 383–391 (2019).

[2] Ma G, Xu S, Jiang B, et al (2022) Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning. Energy & Environmental Science 15(10):4083–4094

引用格式