用于准确且可解释电池寿命预测的统计学习
机器学习
2021-12-21 v2 材料科学
应用统计
摘要
在退化机制理解不足且有合适训练集可用的应用中，数据驱动的电池寿命预测方法正受到越来越多的关注。然而，尽管先进的机器学习和深度学习方法有望以最小的数据预处理实现高性能，但具有人工设计特征的更简单线性模型往往取得相当的性能，尤其在小型训练集上，同时还提供物理与统计可解释性。本工作中，我们使用先前发布的数据集来开发简单、准确且可解释的电池寿命预测数据驱动模型。我们首先提出“容量矩阵”概念作为电池电化学循环数据的紧凑表示，以及一系列特征表示。随后我们创建了多个单变量与多变量模型，其中许多模型对该数据集取得了与先前发表的最高性能模型相当的表现。这些模型也提供了对这些电池单元退化的洞察。我们的方法既可用于快速训练新数据集的模型，也可用于基准测试更先进机器学习方法的性能。
引用
@article{arxiv.2101.01885,
title = {Statistical learning for accurate and interpretable battery lifetime prediction},
author = {Peter M. Attia and Kristen A. Severson and Jeremy D. Witmer},
journal= {arXiv preprint arXiv:2101.01885},
year = {2021}
}
备注
Submitted to the Journal of the Electrochemical Society