Battery GraphNets：用于锂离子电池寿命估计的关系学习
机器学习
2024-08-15 v1 人工智能
摘要
电池寿命估计对于优化电池性能以及保证电池供电系统的最低退化、提升效率和可靠性至关重要。现有预测锂离子电池剩余使用寿命（RUL）的方法忽略了电池参数之间的关系依赖性，无法对非线性退化轨迹进行建模。本文提出了Battery GraphNets框架，该框架联合学习电池参数之间的离散依赖图结构以捕捉复杂交互，以及图学习算法以建模电池内在退化过程用于RUL预测。该方法在公开可用的电池数据集上以显著优势超越了多种流行方法，达到了SOTA性能。我们报告了消融实验以支持本方法的有效性。
引用
@article{arxiv.2408.07624,
title = {Battery GraphNets : Relational Learning for Lithium-ion Batteries(LiBs) Life Estimation},
author = {Sakhinana Sagar Srinivas and Rajat Kumar Sarkar and Venkataramana Runkana},
journal= {arXiv preprint arXiv:2408.07624},
year = {2024}
}
备注
Accepted in Workshop on Graph Learning for Industrial Applications : Finance, Crime Detection, Medicine, and Social Media (NeurIPS 2022)