克服电池数据有限的挑战：一种耦合神经网络方法
机器学习
2021-12-01 v1
摘要
近年来，电动汽车（EV）行业经历了非凡的增长。这主要是由于人们日益意识到化石燃料动力汽车的有害环境影响，以及廉价锂离子电池（LIBs）的可得性。为了在安全的前提下将这些锂离子电池部署于电动汽车中，需要持续监测某些电池状态以确保安全健康的运行。利用机器学习来估计充电状态（State-of-Charge）和健康状态（State-of-Health）等电池状态已成为一个极为活跃的研究领域。然而，开源多样化数据集的有限可得性抑制了该领域的发展，并且这是一个在文献中很大程度上被忽视的问题。在这项工作中，我们提出了一种利用深度神经网络进行时间序列电池数据增强的新方法。我们引入并分析了使用两个神经网络协同工作以交替生成合成充电和放电电池曲线的方法。一个模型生成电池充电曲线，另一个生成电池放电曲线。所提出的方法使用少量公开电池数据集进行评估以说明其有效性，我们的结果显示了该方法在解决有限电池数据挑战方面的功效。我们还在动态电动汽车驾驶循环上测试了该方法。
引用
@article{arxiv.2111.15348,
title = {Overcoming limited battery data challenges: A coupled neural network approach},
author = {Aniruddh Herle and Janamejaya Channegowda and Dinakar Prabhu},
journal= {arXiv preprint arXiv:2111.15348},
year = {2021}
}
备注
Published at International Journal of Energy Research