一种生成高保真多样化合成电池数据集的深度学习方法
机器学习
2023-04-14 v1
摘要
近期电动汽车数量激增,催生了对开发廉价高能量密度电池储能系统的需求。全球多国已实施具体措施以减少并随后限制化石燃料驱动车辆的数量。锂离子基电池目前主导电动汽车行业。能源研究亦聚焦于精确计算此类电池荷电状态,以提供可靠续航估计。尽管此类估计算法给出精确估计,文献中所有技术均假定具备优质电池数据集。现实中,电池科学家很难获取专有电池使用数据集。此外,开放获取数据集缺乏构建泛化模型所需的多样化电池充放电模式。整理电池测量数据耗时且需昂贵设备。为克服此类数据有限情形,我们引入几种基于深度学习的方法以合成高保真电池数据集,这些增强的合成数据集将助力电池研究者在数据有限时构建更优估计模型。我们已发布本方法用于生成合成数据的代码与数据集。此处引入的电池数据增强技术将缓解有限电池数据集挑战。
引用
@article{arxiv.2304.06043,
title = {A Deep Learning Approach Towards Generating High-fidelity Diverse Synthetic Battery Datasets},
author = {Janamejaya Channegowda and Vageesh Maiya and Chaitanya Lingaraj},
journal= {arXiv preprint arXiv:2304.06043},
year = {2023}
}
备注
Accepted at IEEE Transactions on Industry Applications