数据有限条件下的锂离子电池寿命预测：不同机器学习算法的基准测试

随着锂离子电池的使用持续增长，能够预测其剩余使用寿命变得愈发重要。本工作旨在比较不同机器学习算法（包括传统机器学习和深度学习）的相对性能，以确定在数据量最少的情况下用于电池循环寿命预测的最佳算法。我们研究了 14 种不同的机器学习模型，这些模型输入基于统计数据的人工特征，并被分为 3 个特征组进行测试。对于深度学习模型，我们测试了多种神经网络模型，包括不同配置的标准循环神经网络、门控循环单元和长短期记忆网络，包含带注意力机制和不带注意力机制的版本。深度学习模型输入了基于每块电池前 100 次循环原始数据的多变量时间序列信号。我们的实验表明，基于人工特征的机器学习算法表现尤为出色，平均平均绝对百分比误差为 10-20%。表现最佳的算法是随机森林回归器，其平均绝对百分比误差最低为 9.8%。传统机器学习模型因其能够理解通用数据集趋势而表现出色。相比之下，深度学习模型在原始且有限的数据上表现极差。像 GRU 和 RNN 这样专注于捕捉中等范围数据依赖性的算法，在识别对本任务至关重要的缓慢、渐进趋势方面能力不足。我们的研究表明，在数据可用性有限的情况下，采用人工特征的机器学习模型在预测锂离子电池剩余使用寿命方面比先进的深度学习模型更有效。