基于机器学习的高效在线电池健康状态估计
系统与控制
2024-06-11 v1 系统与控制
摘要
在电动出行应用中，电池管理系统（BMS）的一项关键功能是高精度地估计电池健康状态（SoH）。在商用BMS中，这通常通过基于模型的方法实现。在开发数据驱动方法以提高SoH估计精度方面已有大量研究。这些数据驱动方法多种多样，使用了不同的机器学习（ML）或人工智能（AI）技术。由于大量使用非线性函数和大规模矩阵运算，复杂的AI/ML技术难以在BMS中使用的低成本微控制器上实现。本文提出了一种计算高效且数据轻量级的SoH估计技术。通过评估四个离散频率下的在线阻抗，推导出线性回归问题的特征。所提出的方案避免了复杂的数学运算，非常适合在商用BMS中在线实现。该方法的准确性在两个实验数据集上得到验证，结果表明，在不同的训练和测试数据上，平均绝对误差（MAE）低于2%。
引用
@article{arxiv.2406.06151,
title = {Computationally Efficient Machine-Learning-Based Online Battery State of Health Estimation},
author = {Abhijit Kulkarni and Remus Teodorescu},
journal= {arXiv preprint arXiv:2406.06151},
year = {2024}
}