基于迁移学习与周期同步的锂离子电池健康状态估计
机器学习
2022-08-25 v1 机器学习
摘要
准确估计电池健康状态(SOH)有助于防止电池供电应用意外失效。迁移学习(TL)能减少新电池模型训练的数据需求，作为一种有前景的机器学习方法，它将在拥有大量数据的源电池上学得的知识应用于目标电池。然而，尽管源电池模型是否合理、以及哪些信息可用于 SOH 估计的迁移是成功 TL 的关键组成部分，却鲜有讨论。为应对这些挑战，本文提出一种可解释的基于 TL 的 SOH 估计方法，利用时间动态辅助迁移学习，包含三部分。首先，借助动态时间规整，对放电时间序列的时间数据进行同步，得到负责跨周期容量退化的周期同步时间序列的扭曲路径。其次，从周期同步时间序列的空间路径中提取的典型变量用于源电池与目标电池间的分布相似性分析。第三，当分布相似性在预定义阈值内时，通过迁移源 SOH 估计模型的公共时间动态并以目标电池的残差模型补偿误差，构建综合的目标 SOH 估计模型。通过一个广泛使用的开源基准数据集，所提方法以均方根误差评估的估计误差低至 0.0034，较现有方法准确率提升 77%。
引用
@article{arxiv.2208.11204,
title = {Transfer Learning-based State of Health Estimation for Lithium-ion Battery with Cycle Synchronization},
author = {Kate Qi Zhou and Yan Qin and Chau Yuen},
journal= {arXiv preprint arXiv:2208.11204},
year = {2022}
}