Comparison of RUL prediction between GPM, SVM, and GPR of No.5 and No.6 batteries.

NIAID Data Ecosystem2026-03-09 收录

数据链接：

https://figshare.com/articles/dataset/Comparison_of_RUL_prediction_between_GPM_SVM_and_GPR_of_No_5_and_No_6_batteries_/3834855 数据链接链接失效反馈

官方服务：

资源简介：

Comparison of RUL prediction between GPM, SVM, and GPR of No.5 and No.6 batteries.

创建时间：

2016-09-16

基于多物理场耦合单体模型的温度分布、膨胀及电池整体SOH、SOC仿真预测数据集

电池健康管理

多物理场耦合

基于多物理场耦合单体模型的温度分布、膨胀及电池整体SOH、SOC仿真预测数据集主要面向电芯健康状态（SOH）、电池动力学性能（DCR）、充电状态（SOC）、模块及系统健康状态及系统单点温度、膨胀应力仿真研究建设。数据集系统使用自研的白箱模型生成，呈现电池从电芯到系统级的关键性能参数演变特征，为电池性能分析、寿命预测、多物理场耦合模型验证及系统优化设计等研究提供全面、可靠的数据支撑。数据量10.52

国家基础学科公共科学数据中心360

Multimodal deep learning with time-frequency health features for battery SOH and RUL prediction

电池健康管理

寿命预测

This study proposes a multimodal deep learning framework for joint prediction of the state of health (SOH) and remaining useful life (RUL) of lithium-ion batteries. Twelve representative impedance fea

中国科学数据2026-04-24 更新90

battery__model

电池健康管理

寿命预测

Battery Health Model: Loading and Prediction

kaggle2026-06-24 更新50

厦门区域电动载具电池健康智能监管数据

电池健康管理

电动载具

随着城市化进程的加快，低速电动载具保有量急剧增加，电池作为电动载具系统的重要组成部分，其健康度的评估与管理显得尤为关键。通过建立电动载具电池健康度评价模型，清晰了解各地区电池的健康状况，从而制定不同的策略，提升电动车电池系统的运行效率。一、提升电池管理与维护的科学性：通过电动载具电池健康度评价模型，可以快速识别出高健康度和需要支持的电池。高健康度的电池可以继续保持现有使用策略，满足电动载具的运行需

浙江省数据知识产权登记平台2025-04-21 更新150

Lifetime prediction

锂离子电池寿命预测

电池健康管理

The code in our paper 'A novel deep learning-based life prediction method for lithium-ion batteries with strong generalization capability under multiple cycle profiles'.

NIAID Data Ecosystem60

Comparison of RUL prediction between GPM, SVM, and GPR of No.5 and No.6 batteries.

资源简介：

相关数据集