面向稳健电池预估的概率性融合方法
机器学习
2024-07-16 v1 人工智能
摘要
电池是实现交通和能源部门脱碳的关键技术。电池安全可靠运行是电池驱动系统的关键要求。因此，开发准确且稳健的电池状态-健康（state-of-health）预估模型，可以为复杂、遥远且可靠的运营开辟可能性。神经网络、贝叶斯建模概念和集成学习策略的组合，对于以稳健且准确的方式结合不确定性具有重要价值。因此，本文引入一种基于贝叶斯集成学习的方法来预测锂离子电池的容量衰减。该方法准确预测容量衰减并量化与电池设计和降解过程相关的不确定性。 proposed的贝叶斯集成方法采用堆叠技术，将多个贝叶斯神经网络（BNNs）作为基学习器训练于数据多样性上。该方法使用NASA Ames Prognostics Center of Excellence收集的电池老化数据集进行验证。获得的结果显示，所提出的概率性融合方法相对于（i）单个BNN模型和（ii）基于不同BNNs的经典堆叠策略，具有更高的准确性和鲁棒性。
引用
@article{arxiv.2405.15292,
title = {Towards a Probabilistic Fusion Approach for Robust Battery Prognostics},
author = {Jokin Alcibar and Jose I. Aizpurua and Ekhi Zugasti},
journal= {arXiv preprint arXiv:2405.15292},
year = {2024}
}