基于部分放电曲线的图神经网络 lithium-ion 电池状态健康估计
信号处理
2024-09-04 v1 机器学习
机器学习
摘要
数据驱动方法在估计锂离子电池状态健康（SOH）方面受到广泛关注。准确的SOH估计需要降解相关特征和训练集与测试集之间统计分布的对齐。然而，当前研究常忽视这些需求，依赖任意电压分段选择。为此，本文提出一种创新方法，利用图卷积网络（GCN）通过时空降解动力学实现方法。该方法采用矩阵轮廓异常检测算法系统性地选择放电电压分段，无需人工选择，防止信息丢失。这些选取的分段构成GCN基于SOH估计模型的基本结构，捕捉周期间动力学，减轻离线训练与在线测试数据之间统计分布不一致的问题。使用广泛接受的开源数据集进行验证，表明该方法实现了精确的SOH估计，均方根误差小于1%。
引用
@article{arxiv.2409.00141,
title = {Graph neural network-based lithium-ion battery state of health estimation using partial discharging curve},
author = {Kate Qi Zhou and Yan Qin and Chau Yuen},
journal= {arXiv preprint arXiv:2409.00141},
year = {2024}
}