利用机器学习从太阳能离网系统现场数据预测电池寿命终止
机器学习
2022-02-16 v1 系统与控制
系统与控制
应用统计
摘要
数亿人缺乏电力供应。分散式太阳能-电池系统是解决此问题同时避免碳排放与空气污染的关键，但相对较高的成本及偏远位置阻碍了及时的预防性维护。从运行数据准确诊断电池健康并预测寿命终止可改善用户体验并降低成本。但受控验证测试的缺乏与数据质量的变动意味着现有基于实验室的技术无法奏效。我们应用一种可扩展的概率机器学习方法来诊断 1027 个太阳能连接的铅酸电池的健康状态，每个运行 400-760 天，总计 6.2 亿数据行。我们展示了提前八周对寿命终止 73% 的准确预测，在失效时刻提升至 82%。本工作凸显了利用“大数据”技术从现有测量中估计健康状态而无需额外设备的机会，从而延长实际应用的寿命并改善性能。
引用
@article{arxiv.2107.13856,
title = {Predicting battery end of life from solar off-grid system field data using machine learning},
author = {Antti Aitio and David A. Howey},
journal= {arXiv preprint arXiv:2107.13856},
year = {2022}
}