在退化中适应：基于物理引导的测试时训练的跨域锂离子电池健康估计
机器学习
2024-11-20 v3 人工智能
摘要
锂离子电池（LIB）的健康建模对于安全高效的能量管理至关重要，并具有重大的社会经济意义。尽管基于机器学习（ML）的健康状态（SOH）估计方法在准确性上取得了显著进展，但高质量LIB数据的稀缺性仍然是一个主要障碍。现有的用于跨域LIB SOH估计的迁移学习方法已显著减轻了目标LIB数据的标注负担，然而，它们仍然需要足够的无标注目标数据（UTD）才能有效适应目标域。由于退化实验耗时漫长，收集这些UTD颇具挑战。为了解决这个问题，我们引入了一个实用的测试时训练框架BatteryTTT，该框架利用在退化过程中收集的每一个UTD持续适应模型，从而显著减少数据收集时间。为了充分利用每一个UTD，BatteryTTT将现代LIB的固有物理定律融入自监督学习，称为物理引导的测试时训练。此外，我们通过模型重编程和前缀提示适应，评估了大语言模型（LLM）在电池序列建模中的潜力，探索其在SOH估计中的性能。BatteryTTT与LLM建模的结合，称为GPT4Battery，在当前的LIB基准测试上取得了最先进的泛化结果。此外，我们通过将其部署到我们用于300Ah大规模储能LIB的真实电池管理系统（BMS）中，展示了我们方法的实用价值和可扩展性。
引用
@article{arxiv.2402.00068,
title = {Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training},
author = {Yuyuan Feng and Guosheng Hu and Xiaodong Li and Zhihong Zhang},
journal= {arXiv preprint arXiv:2402.00068},
year = {2024}
}