基于自适应集成稀疏学习和保守预测的增强型物理基锂离子电池模型
系统与控制
2025-07-02 v1 机器学习
系统与控制
摘要
准确的电化学模型对于锂离子电池在实际应用中如电动车辆和电网储能中安全高效运行至关重要。简化模型 (ROM) 在保真度和计算效率之间提供了平衡，但往往难以捕捉如高倍率条件下电池电压响应动态等复杂非线性行为。为此，本研究提出一种自适应集成稀疏识别 (AESI) 框架，通过补偿不可预测的动力学来提高简化锂离子电池模型的准确性。该方法将扩展单颗粒模型 (ESPM) 与演化集成稀疏学习策略相结合，以构建稳健的混合模型。此外，AESI 框架集成了保守预测方法，以提供理论上保证的电压误差动力学不确定性量化，从而提高模型预测的可靠性。跨 diverse 运行条件的评估表明，混合模型 (ESPM + AESI) 在未见数据上的电压预测准确性提升，均方误差降低最高可达 46%。保守预测进一步支持了模型的可靠性，袋装和稳定性选择分别基于的集成模型的覆盖率分别为 96.85% 和 97.41%。
引用
@article{arxiv.2507.00353,
title = {Augmented Physics-Based Li-ion Battery Model via Adaptive Ensemble Sparse Learning and Conformal Prediction},
author = {Samuel Filgueira da Silva and Mehmet Fatih Ozkan and Faissal El Idrissi and Marcello Canova},
journal= {arXiv preprint arXiv:2507.00353},
year = {2025}
}