[论文解读] Automated feature selection for data-driven models of rapid battery capacity fade and end of life.

Samuel Greenbank, David A. Howey|arXiv (Cornell University)|Jan 12, 2021

Advanced Battery Technologies Research参考文献 24被引用 8

一句话总结

本文提出了一种数据驱动的高斯过程回归模型，结合自动化特征选择，用于预测锂离子电池的容量衰减、拐点及使用寿命终点。通过优先考虑日历时间与电压暴露等关键特征，该模型在容量预测上的中位均方根误差低于1%，在拐点预测上为2.6%，在使用寿命终点预测上为1.3%。

ABSTRACT

Lithium-ion cells may experience rapid degradation in later life, especially with more extreme usage protocols. The onset of rapid degradation is called the 'knee point', and forecasting it is important for the safe and economically viable use for batteries. We propose a data-driven method that uses automated feature selection to produce inputs for a Gaussian process regression model that estimates changes in battery health, from which the entire capacity fade trajectory, knee point and end of life may be predicted. The feature selection procedure flexibly adapts to varying inputs and prioritises those that impact degradation. For the datasets considered, it was found that calendar time and time spent in specific voltage regions had a strong impact on degradation rate. The approach produced median root mean square errors on capacity estimates under 1%, and also produced median knee point and end of life prediction errors of 2.6% and 1.3% respectively.

研究动机与目标

• 为解决在极端使用条件下预测锂离子电池快速容量衰减及使用寿命终点的挑战。
• 从多样化输入数据中识别并优先考虑影响退化过程的关键特征，以提升模型准确性。
• 开发一种灵活且自动化的特征选择流程，可适应不同类型的输入数据与退化模式。
• 通过数据驱动建模，提升对关键电池健康里程碑（如拐点与使用寿命终点）的预测性能。
• 在多种数据集上实现容量衰减轨迹的高精度预测，误差极低。

提出的方法

• 采用高斯过程回归，基于历史数据建模电池容量衰减轨迹。
• 实施一种自动化特征选择程序，动态识别并优先选择与退化最相关的输入变量。
• 聚焦于日历时间及特定电压区间内停留时长等变量，这些变量被发现对退化速率有显著影响。
• 将所选特征作为输入，训练高斯过程模型以实现容量、拐点及使用寿命终点的预测。
• 校准模型以估计不确定性，提升在不同电池老化特征下的鲁棒性。
• 调整特征选择框架，以适应不同类型的输入数据与退化条件。

实验结果

研究问题

• RQ1 哪些输入特征对锂离子电池中快速容量衰减（拐点）的出现影响最大？
• RQ2 自动化特征选择在提升数据驱动模型预测电池健康轨迹准确性方面有何作用？
• RQ3 经过特征优化的高斯过程回归模型在高精度预测使用寿命终点与拐点方面能达到何种程度？
• RQ4 在不同使用策略下，日历时间与电压暴露时长对退化速率的影响如何比较？
• RQ5 所提出的方法是否能在多种数据集上实现容量、拐点及使用寿命终点预测误差低于1%？

主要发现

• 自动化特征选择过程有效优先选择了日历时间及特定电压区域内的停留时长作为退化速率的关键预测因子。
• 在所考虑的数据集中，该模型在容量衰减轨迹预测上的中位均方根误差低于1%。
• 拐点预测的中位误差为2.6%，表明在识别快速退化起始点方面具有高度准确性。
• 使用寿命终点预测误差的中位值降至1.3%，表明长期电池寿命预测具有高度可靠性。
• 该方法在保持高预测性能的同时，展现出对不同类型输入数据的灵活性与适应性。
• 集成自动化特征选择显著提升了模型准确性，通过聚焦于与退化相关的关键变量。