基于驾驶行为的电动汽车电池健康机器学习监测
系统与控制
2024-04-16 v1 机器学习
系统与控制
摘要
准确估计电池健康状态（SOH）对于确保电动汽车（EVs）的安全可靠运行至关重要。基于特征的机器学习方法在快速精确监测电池健康状态方面展现出巨大潜力。然而，由于特征冗余，同时使用多种健康指标（HIs）可能会削弱估计性能。此外，忽略真实驾驶行为会导致估计结果不准确，因为某些特征在实际场景中难以获取。为解决这些问题，我们提出了一种基于特征的机器学习流程，用于可靠的电池健康监测，其通过评估真实驾驶条件下特征的获取概率来实现。我们首先总结并分析了具有机理相关解释的各种独立 HIs，为这些特征如何与电池退化模式相关联提供了深刻指导。此外，基于三个公开电池退化数据集上的估计精度和相关性分析，对所有特征进行了仔细评估与筛选。最后，基于场景的特征融合与基于获取概率的实用性评估方法构建了一个有用的工具，用于在考虑驾驶行为的情况下进行特征提取。本工作凸显了在开发基于特征的电池健康监测算法时平衡 HIs 性能与实用性的重要性。
引用
@article{arxiv.2309.14125,
title = {Driving behavior-guided battery health monitoring for electric vehicles using machine learning},
author = {Nanhua Jiang and Jiawei Zhang and Weiran Jiang and Yao Ren and Jing Lin and Edwin Khoo and Ziyou Song},
journal= {arXiv preprint arXiv:2309.14125},
year = {2024}
}