用于锂离子电池循环容量预测的改进高斯过程回归模型
机器学习
2021-01-05 v1 系统与控制
系统与控制
摘要
本文提出了一种机器学习驱动的数据驱动模型的开发，用于在不同循环条件下对锂离子电池进行有效容量预测。为此，首先提出一种模型结构，综合考虑电池老化趋势及相应的工作温度与放电深度。然后基于对高斯过程回归中协方差函数的系统性理解，开发了两种相关的数据驱动模型。具体而言，通过用自动相关性确定结构改进各向同性平方指数核，'模型 A' 可提取与容量预测高度相关的输入特征。通过将阿伦尼乌斯定律与多项式方程耦合进组合核，'模型 B' 能够考虑电池退化的电化学与经验知识。所开发的模型在各种循环模式的镍锰钴氧化物（NMC）锂离子电池上进行了验证与比较。实验结果表明，考虑电池电化学与经验老化特征的改进高斯过程回归模型优于其他对照模型，并能在单步与多步预测中均取得满意结果。所提出的技术有望用于各种循环情形下的电池容量预测。
引用
@article{arxiv.2101.00035,
title = {Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries},
author = {Kailong Liu and Xiaosong Hu and Zhongbao Wei and Yi Li and Yan Jiang},
journal= {arXiv preprint arXiv:2101.00035},
year = {2021}
}