基于知识迁移的增强型高斯过程动态模型用于电池长期退化预测
机器学习
2023-06-05 v3
摘要
预测电动汽车电池的使用寿命终点或剩余使用寿命是一个关键且具有挑战性的问题，近年来主要采用机器学习方法预测重复循环过程中健康状态（state-of-health）的演化。为提高预测估计的准确性，尤其是在电池寿命早期，许多算法已引入可从电池管理系统收集的数据中获取的特征。除非使用多个电池数据集直接预测寿命终点（这对粗略估计有用），否则此类方法不可行，因为未来循环的特征未知。本文提出一种高精度方法，通过使用改进的高斯过程动态模型（GPDM）克服该限制。我们引入GPDM的核化版本，以在可观测坐标与潜在坐标之间建立更具表达力的协方差结构。我们将该方法与迁移学习结合，以跟踪至寿命终点的未来健康状态。该方法可将特征作为不同的物理观测量纳入，无需其在数据可用时间之后的取值。迁移学习利用相似电池的数据改进超参数学习。在三个数据集上，该方法在早期电池寿命阶段的准确性与优越性得到了验证，优于包括高斯过程模型、深度卷积与循环网络在内的现代基准算法。
引用
@article{arxiv.2212.01609,
title = {Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for Long-term Battery Degradation Forecasting},
author = {Wei W. Xing and Ziyang Zhang and Akeel A. Shah},
journal= {arXiv preprint arXiv:2212.01609},
year = {2023}
}