用于电池健康状态估计的机器学习流水线
机器学习
2021-02-02 v1
摘要
锂离子电池在现代应用中无处不在，从便携式电子设备到电动汽车均有使用。无论应用为何，车载计算机对电池健康状态（SOH）的可靠实时估计对于电池的安全运行至关重要，最终保障资产完整性。本文中，我们设计并评估了一种用于估计电池容量衰减（一项电池健康指标）的机器学习流水线，该流水线基于179个在不同条件下循环的电池。该流水线通过使用两种参数化与两种非参数化算法，估计带有相关置信区间的电池SOH。利用充电电压与电流曲线片段，该流水线构建了30个特征，执行自动特征选择并校准算法。当部署于采用快充协议的电池上时，最佳模型取得了0.45%的均方根百分比误差。本工作为可扩展数据驱动电池SOH估计模型的设计提供了见解，强调了预测周围置信界的价值。该流水线方法将实验数据与机器学习建模相结合，并可推广至其他需要SOH实时估计的关键部件。
引用
@article{arxiv.2102.00837,
title = {Machine learning pipeline for battery state of health estimation},
author = {Darius Roman and Saurabh Saxena and Valentin Robu and Michael Pecht and David Flynn},
journal= {arXiv preprint arXiv:2102.00837},
year = {2021}
}
备注
Peer review, pre-print to be published in Nature Machine Intelligence - 32 pages and 24 figures (including supplementary material)