面向动态工况下锂离子电池退化模型的多变量分数多项式方法
应用统计
2021-11-30 v2 机器学习
系统与控制
系统与控制
摘要
锂离子电池的寿命与安全性得益于对其运行工况的高效监测与调节。因此，在电池管理系统上实现快速而准确的状态健康度(State of Health, SoH)监测算法至关重要。由于影响电池退化的因素复杂且繁多，尤其是不同退化过程发生在不同时间尺度且相互作用显著，该任务颇具挑战。数据驱动方法通过统计或机器学习模型逼近复杂过程，从而规避此问题。本文提出了一种在电池退化背景下研究不足但简单且易于计算的数据驱动方法：多变量分数多项式(Multivariable Fractional Polynomial, MFP)回归。模型由一节已耗尽电芯的历史数据训练，并用于预测其他电芯的 SoH。数据特征为模拟动态运行工况的变负载。考虑了两种假设场景：一种假定已知近期容量测量值，另一种仅基于标称容量。结果表明，所考察电池的退化行为受其历史数据影响，这由所实现的低预测误差得以佐证（在考虑至电池寿命终止的数据时，均方根误差为 1.2% 至 7.22%）。此外，我们提供了多因素视角，分析了各不同因素的影响程度。最后，我们在同一数据集上与长短期记忆神经网络(Long Short-Term Memory Neural Network)及文献中其他工作进行比较。我们得出结论：MFP 回归有效且与当代工作具有竞争力，并提供了若干额外优势，例如在可解释性、可泛化性和可实现性方面。
引用
@article{arxiv.2102.08111,
title = {Multivariable Fractional Polynomials for lithium-ion batteries degradation models under dynamic conditions},
author = {Clara Bertinelli Salucci and Azzeddine Bakdi and Ingrid K. Glad and Erik Vanem and Riccardo De Bin},
journal= {arXiv preprint arXiv:2102.08111},
year = {2021}
}
备注
45 pages, 7 figures, 3 tables