用于电池退化诊断的物理信息机器学习:最先进方法比较
摘要
随着锂离子电池内部组件的老化,监测其健康状况对于优化电池设计和使用控制策略至关重要。然而,量化组件级别的退化通常涉及对大量电池进行老化测试并在整个测试过程中进行破坏性分析,这将可量化的退化范围限制在测试条件和持续时间内。幸运的是,物理信息机器学习(PIML)在建模和预测电池健康状态方面的最新进展表明,利用物理知识,仅使用短期老化测试数据构建模型来预测锂离子电池主要组件的长期退化是可行的。在本文中,我们提出了四种构建物理信息机器学习模型的方法,并从准确性、复杂性、易于实现性以及向未测试条件外推的能力等方面对它们进行了全面比较。我们深入探讨了每种物理信息机器学习方法的细节,为在小型电池老化数据集上实现这些方法提供了具体见解。我们的研究使用了24个植入级锂离子电池的长期循环老化数据,这些电池在四年内经受了不同的温度和C倍率测试。本文旨在促进选择合适的物理信息机器学习方法,以利用短期老化数据预测锂离子电池的长期退化,同时为在一般预测任务中何时选择哪种方法提供见解。
引用
@article{arxiv.2404.04429,
title = {Physics-Informed Machine Learning for Battery Degradation Diagnostics: A Comparison of State-of-the-Art Methods},
author = {Sina Navidi and Adam Thelen and Tingkai Li and Chao Hu},
journal= {arXiv preprint arXiv:2404.04429},
year = {2024}
}
备注
It's an unformatted version of the paper titled 'Physics-Informed Machine Learning for Battery Degradation Diagnostics: A Comparison of State-of-the-Art Methods,' published in Energy Storage Materials, Volume 68, 103343. This version includes an acknowledgment section, which is not present in the journal-published version. Please cite the journal version when you refer to this study