学习融合：动态集成多源数据以实现精准电池寿命预测
机器学习
2025-04-28 v1 人工智能
摘要
精准预测锂离子电池寿命对于确保电动车和智能电网等应用中的运行可靠性和降低维护成本至关重要。本研究提出一种混合学习框架，用于精确的电池寿命预测，集成了动态多源数据融合与堆叠集成（SE）建模方法。通过利用来自美国航空航天局（NASA）、Center for Advanced Life Cycle Engineering（CALCE）、MIT-Stanford-Toyota Research Institute（TRC）以及镍钴铝（NCA）化学体系的异构数据集，熵基动态加权机制缓解了跨异构数据集的变异性。SE模型组合了岭回归、长短期记忆网络（LSTM）和极端梯度提升（XGBoost），有效捕捉时序依赖性和非线性退化模式。它实现了均方绝对误差（MAE）为0.0058、根均方误差（RMSE）为0.0092和决定系数（R2）为0.9839，超越了既定基准模型，R2提升46.2%，RMSE降低83.2%。Shapley增益解释（SHAP）分析确定电荷容量（Qdlin）和测量温度（Temp_m）为关键的老化指示器。该可扩展且可解释的框架增强了电池健康管理，支持 diverse energy storage systems 中的优化维护和安全，为能源存储系统的电池健康管理做出了贡献。
引用
@article{arxiv.2504.18230,
title = {Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction},
author = {He Shanxuan and Lin Zuhong and Yu Bolun and Gao Xu and Long Biao and Yao Jingjing},
journal= {arXiv preprint arXiv:2504.18230},
year = {2025}
}