基于高斯过程转移模型在广义工况下的电池健康预测
应用统计
2020-06-05 v1 机器学习
摘要
准确预测电池未来的健康状态对于确保可靠运行、最小化维护成本以及计算储能投资价值是必要的。退化的复杂性使得数据驱动方法成为机制建模的一种有前景的替代方案。本研究使用基于高斯过程回归的贝叶斯非参数方法预测电池容量随时间的变化。这些变化可针对任意输入序列进行积分，以预测多种使用场景下的容量衰减，从而形成广义健康模型。该方法自然纳入了变化的电流、电压和温度输入，这对于实现实际应用至关重要。一项关键创新是特征选择步骤，其中任意长度的电流、电压和温度测量向量被映射到固定大小的特征向量，使它们能够作为外生变量被高效使用。该方法在开源的 NASA Randomised Battery Usage Dataset 上进行了演示，该数据集包含 26 个在随机操作条件下老化的电芯的数据。使用一半电芯进行训练，一半进行验证，结果表明该方法能准确预测非线性容量衰减，最佳归一化均方根误差为 4.3%，包括了对预测不确定性的准确估计。
引用
@article{arxiv.1807.06350,
title = {Battery health prediction under generalized conditions using a Gaussian process transition model},
author = {Robert R. Richardson and Michael A. Osborne and David A. Howey},
journal= {arXiv preprint arXiv:1807.06350},
year = {2020}
}