数据驱动电池健康状态估计中不同类型特征的综合性能比较
系统与控制
2023-08-29 v1 系统与控制
摘要
电池健康状态（SOH）反映电池最大可用容量，是电池老化失效的关键指标。准确估计电池 SOH 是电池管理系统亟待解决的重要功能。本研究开发了物理信息高斯过程回归（GPR）模型用于电池 SOH 估计，并将其性能与不同类型特征及机器学习（ML）方法系统比较。基于 118 个电芯的 58826 个循环数据单元验证方法性能。实验结果表明，在不同场景下物理驱动 ML 总体上比其他非物理特征估计 SOH 更准确。基于物理特征的 GPR 利用 10 至 20 分钟弛豫数据预测电池 SOH，误差小于 1.1%。该方法的高鲁棒性与泛化能力也在 unseen 条件下不同训练与测试数据比例下得到验证。结果还凸显了物理特征与 GPR 在不同类型电池间知识迁移的更有效能力。本研究证明了物理特征在指示复杂系统状态演化方面的优越性，以及通过结合合适 ML 方法对这些特征指示性能的改进。
引用
@article{arxiv.2308.13993,
title = {Comprehensive performance comparison among different types of features in data-driven battery state of health estimation},
author = {Xinhong Feng and Yongzhi Zhang and Rui Xiong and Chun Wang},
journal= {arXiv preprint arXiv:2308.13993},
year = {2023}
}