基于递归高斯过程回归从数据中学习电池模型参数动力学
系统与控制
2025-02-17 v1 机器学习
系统与控制
摘要
估计健康状态是电池管理系统的关键功能，但由于实际应用的操作条件与使用要求多变，仍具挑战性。因此，基于等效电路模型拟合的技术可能在性能极端情形与长期老化时表现不准确，或参数估计不稳定。另一方面，纯数据驱动技术受其训练数据集之外缺乏通用性的困扰。本文中，我们提出一种结合数据驱动与模型驱动的混合方法用于电池健康估计。具体而言，我们展示了一种贝叶斯数据驱动方法——高斯过程回归，将模型参数估计为状态、操作条件与寿命的函数。计算效率通过递归方法保证，产生一个统一的联合状态-参数估计器，可从数据中学习参数动力学并对数据缺失与变化操作条件具有鲁棒性。结果表明该方法在模拟与实测数据上的有效性，包括对电池容量与内阻的准确估计与预测。这为理解实际应用中的电池老化开辟了新机遇。
引用
@article{arxiv.2304.13666,
title = {Learning battery model parameter dynamics from data with recursive Gaussian process regression},
author = {Antti Aitio and Dominik Jöst and Dirk Uwe Sauer and David A. Howey},
journal= {arXiv preprint arXiv:2304.13666},
year = {2025}
}