基于科学机器学习的电动汽车电池退化预测与 forecasting 方法
机器学习
2024-10-21 v1 人工智能
摘要
碳排放以惊人的速度攀升，构成对全球应对气候变化努力的重大威胁。电动汽车已然成为一种有前景的解决方案，但其对锂离子电池的依赖引入了电池退化这一关键挑战。准确预测和forecast电池退化在短期和长期跨度方面，对于优化性能、延长电池寿命和确保有效的长期能源管理至关重要。这直接影响电动汽车的可靠性、安全性和可持续性，支持其广泛采用，并与联合国可持续发展目标保持一致。本文提出了一种新颖的电池退化预测和长期 forecast 方法，采用科学机器学习框架将领域知识与神经网络相结合，为短期电池健康预测和长期退化 forecast 提供了更具可解释性和科学依据的解决方案。该混合方法捕捉已知和未知的退化动力学，在提高预测精度的同时降低数据需求。我们纳入真实数据以信息化我们的模型，确保预测和 forecast 反映实际条件。该模型在实验数据中实现了 MSE 为 9.90（UDE）和 11.55（NeuralODE），损失为 1.6986（UDE），NeuralODE 的 MSE 为 2.49，显示出我们方法的提升精度。将数据驱动的洞察与 SciML 在可解释性和可扩展性方面的优势相结合，实现了稳健的电池管理。通过延长电池寿命并最小化浪费，我们的方法有助于能源系统的可持续发展，加速全球向更清洁、更负责任的能源解决方案的转型，与联合国可持续发展目标相吻合。
引用
@article{arxiv.2410.14347,
title = {A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles},
author = {Sharv Murgai and Hrishikesh Bhagwat and Raj Abhijit Dandekar and Rajat Dandekar and Sreedath Panat},
journal= {arXiv preprint arXiv:2410.14347},
year = {2024}
}