基于 Kolmogorov-Arnold 网络的可解释功能关系发现用于电池健康状态评估
系统与控制
2026-04-02 v1 系统与控制
摘要
电池健康管理严重依赖可靠的健康状态（SoH）估计，以确保电池安全并最大化能源利用。虽然 SoH 估计可以有效跟踪电池退化，但需要持续获取电池数据。此外，基于模型的方法依赖精确的电池模型知识，而数据驱动方法往往缺乏可解释性。相比之下，SoH 的分析表征将提供对电池性能退化的直接且可处理的抓手，同时也为进一步的分析研究以实现有效的电池健康管理奠定基础。因此，在本工作中，我们提出基于 Kolmogorov-Arnold 网络（KAN）的数据驱动流水线，利用电池温度数据建立 SoH 退化的功能关系。具体而言，我们通过 KAN 模型的可学习激活函数学习长期电池热动力学和电池热生成。我们利用所学的映射获得 SoH 退化与循环次数之间的显式函数关系。所提出的流水线使用真实世界数据进行了验证，得到了具有高精度的 SoH 退化闭式解析公式。
引用
@article{arxiv.2604.00400,
title = {Explainable Functional Relation Discovery for Battery State-of-Health Using Kolmogorov-Arnold Network},
author = {Sanchita Ghosh and Tanushree Roy},
journal= {arXiv preprint arXiv:2604.00400},
year = {2026}
}
备注
12 pages, 5 figures