基于不变性学习的锂离子电池性能退化多阶段辨识
信号处理
2020-08-13 v1 机器学习
摘要
通过提供准确的性能（如容量）信息，健康状态管理在保障电池及其供电系统方面发挥着重要作用。尽管当前大多数方法主要基于数据驱动方法，但缺乏对电池性能退化机制的深入分析可能会削弱其性能。为填补数据驱动的电池性能退化分析的研究空白，提出一种基于不变性学习的方法，以探究电池性能退化是否遵循固定行为。首先，为揭示循环电池数据的隐藏动态，将测量值在相子空间中重构。接着，提出一种新颖的多阶段划分策略，以判断多种退化行为的存在性。随后将整个老化过程顺序划分为若干段，其中具有一致退化速度的循环数据被归入同一阶段。在知名基准上的仿真验证了所提多阶段辨识策略的有效性。所提方法不仅可从数据视角洞察退化机制，也将有助于相关课题，如健康阶段。
引用
@article{arxiv.2008.05123,
title = {Invariant learning based multi-stage identification for Lithium-ion battery performance degradation},
author = {Yan Qin and Chau Yuen and Stefan Adams},
journal= {arXiv preprint arXiv:2008.05123},
year = {2020}
}
备注
Accepted by IECON 2020 (The 46th Annual Conference of the IEEE Industrial Electronics Society)