用于预测电池健康状态的高斯过程回归

准确预测电池的未来容量和剩余使用寿命对于确保系统可靠运行和最小化维护成本是必不可少的。电池退化的复杂性意味着容量衰减的机制建模迄今为止仍然难以解决；然而，随着云连接设备的出现，来自各种应用中电池单元的数据日益丰富，数据驱动方法用于电池预测的可行性正在增加。在此，我们提出使用高斯过程（GP）回归来预测电池健康状态，并强调 GP 相较于其他数据驱动和机制方法的诸多优势。GP 是一种贝叶斯非参数方法，因此能够以原则性的方式在处理不确定性的同时对复杂系统进行建模。先验信息可以通过多种方式被 GP 利用：如果底层退化模型的功能形式已知，则可以使用显式均值函数；多输出 GP 可以有效利用来自不同电池单元数据之间的相关性。我们在一系列锂离子电池的容量与循环次数数据集上，展示了 GP 在短期和长期（剩余使用寿命）预测方面的预测能力。