基于贝叶斯求积的锂离子电池模型贝叶斯模型选择

现有种类繁多的电池模型，而哪种模型“最佳”描述某数据集并非总显而易见。本文提出一种使用贝叶斯求积的贝叶斯模型选择方法。采用模型证据作为选择度量，依奥卡姆剃刀精神选择描述数据的最简模型。然而，估计此量需要对参数空间进行积分计算，通常昂贵得令人却步。贝叶斯求积通过基于模型的推断提供样本高效积分，使电池模型评估次数最少。模型参数的后验分布也可作为副产物在无进一步计算下推断得到。此处使用最简单的锂离子电池模型——等效电路模型，来分析选择准则对给定不同数据集与模型配置的敏感性。我们表明，流行的模型选择准则（如均方根误差与贝叶斯信息准则）在多模态后验情况下可能无法选出简约模型。模型证据可在此类情形中找出最优模型，同时提供证据推断本身的方差作为置信指示。我们还表明贝叶斯求积比流行的基于蒙特卡洛的求解器更快地计算证据。