GAETS：一种面向电池参数估计的图自编码器时间序列方法
机器学习
2022-08-22 v2 系统与控制
系统与控制
摘要
锂离子电池正推动当前的交通电气化革命。锂离子电池具有更高的能量密度和良好的电化学特性，这使其成为电动汽车首选的能源。精确估计电池参数（充电容量、电压等）对于估算电动汽车的可用续航里程至关重要。基于图的估计技术使我们能够理解支撑这些参数的变量依赖关系，从而改进估计。在本文中，我们采用图神经网络进行电池参数估计，提出了一种独特的图自编码器时间序列估计方法。已知电池测量中的变量在感兴趣变量内部具有某种相关性下的相互底层关系。我们使用基于 NOTEARS 非线性版本的图自编码器，因为这使得我们能够在学习结构时执行梯度下降（而不是将其视为组合优化问题）。所提出的架构在电池参数估计上优于最先进的图时间序列（GTS）架构。我们将我们的方法称为 GAETS（Graph AutoEncoder Time Series，图自编码器时间序列）。
引用
@article{arxiv.2111.09314,
title = {GAETS: A Graph Autoencoder Time Series Approach Towards Battery Parameter Estimation},
author = {Edward Elson Kosasih and Rucha Bhalchandra Joshi and Janamejaya Channegowda},
journal= {arXiv preprint arXiv:2111.09314},
year = {2022}
}
备注
Accepted at CoSubmitting Summer (CSS) Workshop https://iclr.cc/virtual/2022/workshop/9069