电动卡车电池健康状态的动态预测模型：锂离子电池案例研究
机器学习
2021-03-31 v1
摘要
监测和管理电池健康对于提升电动车辆运行性能并降低维护成本极为重要。本文关注用于电动卡车中作为能源的锂离子电池的机器学习赋能健康状态（SoH）预测。论文提出了计算电池包 SoH 与循环寿命的方法。我们提出自回归积分滑动平均（ARIMA）与监督学习（以决策树为基估计器的装袋法；BAG）来预测电池 SoH，以最大化叉车作业中的电池可用性。随着数据驱动电池预测方法的使用增加，我们展示了 ARIMA 的能力，以及在关于电池先验信息极少的情况下的表现。本工作中，我们拥有来自商业运营中叉车的 31 个锂离子电池包的独特数据集。一方面，结果表明所开发的 ARIMA 模型提供了分析多个电池数据的有用工具。另一方面，BAG 模型结果表明，在单一电池数据存在较大变异时，所开发的以决策树为基估计器的监督学习模型产生了更好的预测精度。
引用
@article{arxiv.2103.16280,
title = {A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks: Li-Ion Batteries Case-Study},
author = {Matti Huotari and Shashank Arora and Avleen Malhi and Kary Främling},
journal= {arXiv preprint arXiv:2103.16280},
year = {2021}
}
备注
This paper has first been published at the Proceedings of the ASME 2020 International Mechanical Engineering Congress and Exposition IMECE2020 held on November 16-19, 2020, Portland, OR, USA