基于 DLinear 和鲁棒可解释特征选择的 EV 锂离子电池状态预测
系统与控制
2025-09-17 v2 机器学习
系统与控制
摘要
精准预测电动汽车(EV)锂离子电池的状态( SOH )对于确保其安全、可靠且高效运行至关重要。EV 中的电池组因单元间差异性(CtCV)而经历非均匀退化，这构成了实时电池管理系统(BMS)面临的主要挑战。本文提出一种面向 EV 电池管理系统的可解释数据驱动 SOH 预测框架。该方法融合鲁棒特征工程与 DLinear。我们使用 NASA 的电池老化数据集，从电压、电流、温度和时间轮廓中提取二十个有意义的特征，并采用皮尔逊相关性和Shapley 增量解释(SHAP)进行关键特征选择。基于 SHAP 的选择在多个电池单元间 yield 一致的特征重要性，有效捕捉 CtCV。DLinear 在预测准确度方面优于长短期记忆(LSTM)和 Transformer 架构，同时所需训练周期更少，计算成本更低。本工作提供了一个可扩展且可解释的 SOH 预测框架，使其可在 EV BMS 中实际部署，促进更安全、更高效的电动出行。
引用
@article{arxiv.2501.11542,
title = {State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection},
author = {Minsu Kim and Jaehyun Oh and Sang-Young Lee and Junghwan Kim},
journal= {arXiv preprint arXiv:2501.11542},
year = {2025}
}