锂离子电池健康状态估计的五种机器学习回归器对比基准测试：时间维度与跨电芯鲁棒性评估

《IEEE Access》：Comparative Benchmarking of Five Machine Learning Regressors for Lithium-Ion Battery State of Health Estimation: Temporal and Cross Cell Robustness Evaluation

　　

摘要：

电池的性能可由其参数来表征。其中一项参数是健康状态（SoH）。本工作中，使用监督学习算法对锂离子电池的SoH进行估计。所采用的方法包括线性回归（LR）、决策树（DT）、支持向量回归（SVR）、随机森林（RF）和XGBoost（XGB）。算法的性能在NASA数据集（B0005与B0006）以及一个合成数据集上进行了评估。模型性能通过平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R2）、平均绝对百分比误差（MAPE）、中位绝对误差和解释方差等指标进行检查。结果表明，在所有模型中，线性回归的表现最为稳定，在NASA数据集上展现出MAE为0.0030和0.0033、RMSE低于0.0042，且R2超过0.999。同样，对于合成数据集，线性回归保持了最佳的R2值，为0.802。从结果可以看出，尽管面对复杂模型的竞争，简单的线性模型在不同条件下也能可靠且计算高效地完成SoH估计。为防止目标泄露，模型仅使用六个循环输入，即平均电压、平均电流、平均温度、循环持续时间、环境温度和循环类型。研究表明，线性回归在留一电池交叉检验（LOBO）中保持了稳健的性能，R2值约为0.991至0.993。在按时间顺序划分数据的测试中，线性回归也能达到0.79至0.95的R2值，而其他模型则出现了性能下降，在某些情况下甚至出现负R2值。这些发现表明，简单的线性模型可以为锂离子电池SoH估计提供一个可靠且高效的基础模型。然而，这些结果应视为在评估数据集上的基准性能，而非在不同电池之间的通用泛化能力……

显示更多