面向电池模型的填充空间子集选择

电池性能的动态模型是汽车传动系统开发过程中的重要工具。本研究提出一种方法，使大型数据集适用于电气阻抗建模。在获取数据驱动模型时，通常假设更多观测产生更好模型。然而，关于电池行为的真实驾驶数据代表系统的强非均匀激励，会对建模产生负面影响。为此，我们开发了可用数据的子集选择方法。其旨在更高效地构建准确的非线性自回归外生（NARX）模型。该算法选择那些更均匀地填充非线性模型输入空间的动态数据点。研究表明，与随机子集相比，这种训练数据的缩减带来了更高的模型质量，且与使用所有数据点建模相比训练更快。