[论文解读] Learning battery model parameter dynamics from data with recursive Gaussian process regression

Antti Aitio, Dominik Jöst+2 more|arXiv (Cornell University)|Apr 26, 2023

Advanced Battery Technologies Research被引用 5

一句话总结

本文提出了一种递归高斯过程回归框架，从真实世界数据中学习电池模型参数的动力学特性，实现了对电池健康状态（SOH）监测的精确、计算高效且鲁棒的状态与参数估计。该方法联合估计电池状态和时变参数（如容量、内阻），作为荷电状态、电流和寿命的函数，在模拟数据和实测数据上均实现了高精度和出色的预测能力。

ABSTRACT

Estimating state of health is a critical function of a battery management system but remains challenging due to the variability of operating conditions and usage requirements of real applications. As a result, techniques based on fitting equivalent circuit models may exhibit inaccuracy at extremes of performance and over long-term ageing, or instability of parameter estimates. Pure data-driven techniques, on the other hand, suffer from lack of generality beyond their training dataset. In this paper, we propose a hybrid approach combining data- and model-driven techniques for battery health estimation. Specifically, we demonstrate a Bayesian data-driven method, Gaussian process regression, to estimate model parameters as functions of states, operating conditions, and lifetime. Computational efficiency is ensured through a recursive approach yielding a unified joint state-parameter estimator that learns parameter dynamics from data and is robust to gaps and varying operating conditions. Results show the efficacy of the method, on both simulated and measured data, including accurate estimates and forecasts of battery capacity and internal resistance. This opens up new opportunities to understand battery ageing in real applications.

研究动机与目标

• 解决在可变真实运行条件下，基于模型的电池管理系统中参数估计不准确且不稳定的挑战。
• 克服纯数据驱动方法的局限性，这些方法在训练数据之外缺乏泛化能力，且难以应对数据缺失和非平稳性问题。
• 开发一种融合模型与数据驱动的方法，利用贝叶斯推断捕捉时变参数动力学。
• 通过实现具有O(n)扩展性的递归估计，而非O(n³)，确保在线应用的计算效率。
• 利用真实世界现场数据，实现对电池容量和内阻的长期准确预测。

提出的方法

• 该方法将电池参数（如容量、电阻）建模为依赖于荷电状态、电流和电池寿命的高斯过程（GPs）。
• 采用基于线性随机微分方程表示的递归高斯过程回归公式，实现在线、实时估计。
• 该方法使用卡尔曼滤波器和Rauch-Tung-Striebel平滑器，递归更新函数和超参数的后验分布。
• 核函数假设在时间和输入空间上可分，通过状态空间表示实现高效实现。
• 通过对数边际似然递归优化超参数，确保对数据缺失和不同运行条件的鲁棒性。
• 该框架将状态与参数估计统一为单一联合观测器，提高了估计一致性并降低了计算成本。

实验结果

研究问题

• RQ1 递归高斯过程回归框架能否从噪声大、不完整且非平稳的真实世界数据中准确估计时变电池模型参数？
• RQ2 与标准基于模型或数据驱动的方法相比，所提出方法在电池健康状态（SOH）估计的精度和鲁棒性方面有何提升？
• RQ3 在不同运行条件下，该方法在长期老化过程中对电池容量和内阻的未来预测能力有多强？
• RQ4 与批量高斯过程回归相比，递归公式如何在保持估计精度的同时维持计算效率？
• RQ5 鉴于其数据驱动但具有物理先验的结构，该方法是否能在无需重新训练的情况下泛化到不同电芯和运行配置？

主要发现

• 递归高斯过程回归方法在模拟数据和实测数据上均实现了对电池容量和内阻的精确且稳定的估计，即使在存在数据缺失和运行条件变化的情况下也表现良好。
• 该方法在长期老化过程中对电池容量和电阻的预测方面表现出卓越的鲁棒性能，优于传统基于模型的观测器。
• 计算复杂度随数据量线性增长（O(n)），支持实时实现，而标准高斯过程回归的复杂度为立方级增长（O(n³)）。
• 联合状态-参数估计框架相比标准递归估计技术，降低了参数估计噪声并提高了收敛稳定性。
• 该方法成功捕捉了荷电状态、电流和寿命作为输入的复杂非线性参数动力学，实现了更精确的SOH跟踪。
• 该方法为状态和参数提供了不确定性估计，增强了在安全关键应用中的可靠性。