基于物理知识的电压数据插补方法，用于提高基于机器学习的电池电量状态估计的鲁棒性

《IEEE Open Journal of the Industrial Electronics Society》：Physics-Informed Voltage Data Imputation for Robust Machine Learning-Based Battery State of Charge Estimation

　　

用于电池电量（SOC）预测的机器学习（ML）估计器容易受到缺失测量数据的影响，因此需要数据插补技术来替换不可用的观测值。然而，大多数现有的SOC估计数据插补方法主要依赖于统计方法，而没有结合电池的物理特性和动态行为。因此，在连续数据缺失的较长时间内，这些估计器的估计精度会显著下降。本研究通过提出一种基于物理信息（PI）的数据插补方法来解决这一研究空白，该方法利用电池等效电路模型来重建缺失的电压测量值。所提出的PI数据插补技术与长短期记忆（LSTM）架构相结合，用于开发ML估计器。为了评估估计性能，将开发的模型与其他两种使用传统电压插补方法（即最近观测值保留（LOCF）和外推法）的LSTM估计器进行了比较。使用来自配备磷酸铁锂（LFP）电池的光伏蓄电池储能系统（PV-BESS）的实验数据，评估了这三种估计器的估计误差。此外，通过使用贝叶斯近似和蒙特卡洛正向传递来量化置信区间，分析了估计器的鲁棒性，从而提供了对估计性能的全面评估。在25%、50%和75%的不同数据缺失比例下对估计器进行了评估，以系统地比较它们的性能。结果表明，所提出的基于PI的估计器在所有场景中都始终表现出更优的性能，并且随着数据缺失持续时间的延长，基于PI的方法与传统插补方法（LOCF和外推法）之间的性能差距也在增大。