基于机器学习的电动汽车电池数字孪生建模
机器学习
2022-06-17 v1 人工智能
数值分析
系统与控制
系统与控制
数值分析
摘要
电动汽车(EV)的广泛采用受限于其对电池的依赖，与液体燃料相比，当前电池的能量与功率密度较低，且随时间发生老化与性能衰退。因此，在 EV 生命周期内监测电池荷电状态(SOC)与健康状况(SOH)是非常相关的问题。本工作提出一种电池数字孪生结构，旨在运行时精确反映电池动态。为确保对非线性现象的高度正确性，该数字孪生依赖在电池随时间演化轨迹上训练的数据驱动模型：一个 SOH 模型，反复执行以估计最大电池容量的退化；一个 SOC 模型，周期性重训练以反映老化影响。所提数字孪生结构将在一个公共数据集上示例，以说明其采用并证明其有效性，具有与机载执行兼容的高精度及推理与重训练时间。
引用
@article{arxiv.2206.08080,
title = {A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling},
author = {Khaled Sidahmed Sidahmed Alamin and Yukai Chen and Enrico Macii and Massimo Poncino and Sara Vinco},
journal= {arXiv preprint arXiv:2206.08080},
year = {2022}
}
备注
Accepted as a conference paper at the 2022 IEEE International Conference on Omni-Layer Intelligent Systems (COINS)