电池退化预测的快速数据增强方法
系统与控制
2025-03-19 v1 系统与控制
摘要
使用数据驱动方法进行锂离子电池退化预测需要高质量的 aging 数据。然而，无论是在实验室还是现场生成此类数据，都需要大量时间和资源。本文提出了一种基于有限电池测试或运行数据生成容量衰减曲线的方法，无需进行侵入性电池表征，旨在增强数据驱动模型用于退化预测的数据集。我们通过对浅层和深度学习模型进行评估来验证了该方法的有效性，所用数据集来自实验室和现场应用，涵盖 various chemistries 和现实条件，包括单元间变异、测量噪声、不同的充放电条件以及容量恢复。我们的结果表明，通过将合成数据替代现有数据集中的部分数据，可至少减少50%的电池测试工作量。这篇文章突出了合成数据增强方法在补充现有电池健康诊断方法中的有效性，显著降低了电池 aging 实验的时间和资源支出。
引用
@article{arxiv.2503.13552,
title = {Fast data augmentation for battery degradation prediction},
author = {Weihan Li and Harshvardhan Samsukha and Bruis van Vlijmen and Lisen Yan and Samuel Greenbank and Simona Onori and Venkat Viswanathan},
journal= {arXiv preprint arXiv:2503.13552},
year = {2025}
}