使用与否预训练先验的概率机器学习模型预测电池容量衰减
机器学习
2024-10-10 v1 材料科学
摘要
锂离子电池是推动移动电子、电动车和可再生能源储存等领域变革的关键能源存储技术。容量保持是常用的数据充电性能衡量标准，用于评估电池是否接近终身寿命。机器学习（ML）提供了强大的工具，可基于过往数据，甚至潜在的物理知识预测容量退化，但 ML 预测可信度在基于电池状态健康做出重要决策时至关重要。本研究探讨了完全贝叶斯机器学习在预测电池健康方面的有效性，以及其预测中不确定性的量化。具体而言，我们实现了三种概率 ML 方法，并评估了其预测准确性和不确定性估计：标准高斯过程（GP）、结构化高斯过程（sGP）和完全贝叶斯神经网络（BNN）。在典型的 GP 和 sGP 应用中，其超参数仅从单个样本中学习；而相比，BNN 通常需在现有数据集上预训练以学习权重分布后才能用于推断。这种方法差异使 BNN 在学习数据集中的全局趋势方面具有优势，使其在可用训练数据时是很好的选择。然而，我们表明预训练也可用于 GP 和 sGP 方法以学习超参数的先验分布，并且在预训练 sGP 的情况下，可实现与 BNN 相当的准确性并改进不确定性估计。这一方法为一系列概率机器学习场景提供了框架，其中可利用过往数据学习 (hyper) 参数的先验。
引用
@article{arxiv.2410.06422,
title = {Predicting Battery Capacity Fade Using Probabilistic Machine Learning Models With and Without Pre-Trained Priors},
author = {Michael J. Kenney and Katerina G. Malollari and Sergei V. Kalinin and Maxim Ziatdinov},
journal= {arXiv preprint arXiv:2410.06422},
year = {2024}
}