基于制造和使用变异性的锂离子电池状态健康预测的准确传递学习
机器学习
2026-03-26 v1 系统与控制
系统与控制
摘要
准确预测电池状态健康（SOH）对于确保锂离子电池的安全和可靠运行至关重要。然而，现有模型在特定条件下的实验室校准往往难以泛化到由于制造中的小差异或在不同条件下运行的新电池。为此提出一种结合了长短期记忆（LSTM）模型、通过最大均值差异（MMD）实现的域适应以及通过准则预测（CP）实现的不确定性感知传递学习框架。该框架在旨�捕捉电极制造和运行条件中真实世界变异性的虚拟电池数据集上训练。MMD 用于在模拟域和目标域之间对潜在特征分布进行对齐，以缓解域迁移，而 CP 提供校准的、无分布假设的预测区间。该框架提高了跨异构电池的 SOH 预测的泛化性和可信度。
引用
@article{arxiv.2603.24475,
title = {Conformalized Transfer Learning for Li-ion Battery State of Health Forecasting under Manufacturing and Usage Variability},
author = {Samuel Filgueira da Silva and Mehmet Fatih Ozkan and Faissal El Idrissi and Marcello Canova},
journal= {arXiv preprint arXiv:2603.24475},
year = {2026}
}
备注
Submitted to the 2026 American Control Conference (ACC)