[论文解读] State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks

Alexandre Barbosa de Lima, Maurício B. C. Salles+1 more|arXiv (Cornell University)|Sep 20, 2020

Advanced Battery Technologies Research参考文献 38被引用 5

一句话总结

该论文提出一种具有两层和四层隐藏层的深度前馈神经网络（DFN），利用驾驶循环数据集对松下18650PF锂离子电池的荷电状态（SOC）进行估计。通过K折交叉验证、批量归一化、Dropout以及L1/L2正则化，四隐藏层DFN在测试集上实现了2.0%的平均绝对误差（MAE），尽管误差略高，但得益于稳健的正则化技术，其泛化能力优于两层模型。

ABSTRACT

This article presents two Deep Forward Networks with two and four hidden layers, respectively, that model the drive cycle of a Panasonic 18650PF lithium-ion (Li-ion) battery at a given temperature using the K-fold cross-validation method, in order to estimate the State of Charge (SOC) of the cell. The drive cycle power profile is calculated for an electric truck with a 35kWh battery pack scaled for a single 18650PF cell. We propose a machine learning workflow which is able to fight overfitting when developing deep learning models for SOC estimation. The contribution of this work is to present a methodology of building a Deep Forward Network for a lithium-ion battery and its performance assessment, which follows the best practices in machine learning.

研究动机与目标

• 开发一种基于机器学习的高精度锂离子电池荷电状态（SOC）估计方法。
• 通过正则化技术解决深度学习模型在电池SOC估计中的过拟合问题。
• 评估不同深度和结构组件的深度前馈网络在真实电池驾驶循环数据集上的性能。
• 建立可复现的、最佳实践的深度学习模型训练工作流程，用于电池管理系统。
• 在受控超参数调优条件下，比较浅层与深层DFN架构的泛化性能。

提出的方法

• 本研究采用具有两层和四层隐藏层的两个深度前馈神经网络（DFNs），分别使用ReLU激活函数和Adam优化器。
• 数据集来源于一个35kWh的电动卡车电池包的缩放版本，建模为单个18650PF电池单元。
• 采用K折交叉验证（4折和8折）评估模型性能，防止数据泄露。
• 通过L1/L2权重惩罚以及两层Dropout（Dropout率设为0.5）实现正则化，以减少过拟合。
• 对批量大小（64、128、256）和训练轮数（30、50、100）等超参数进行调优，以优化泛化性能。
• 使用Python 3.7与TensorFlow 2及Keras API实现模型，并借助TensorBoard进行训练过程监控。

实验结果

研究问题

• RQ1 深度前馈神经网络能否有效利用真实驾驶循环数据估计锂离子电池的SOC？
• RQ2 模型深度（两层与四层隐藏层）如何影响SOC估计的准确性和泛化能力？
• RQ3 Dropout和L1/L2正则化在多大程度上减少了深度学习模型在电池SOC估计中的过拟合？
• RQ4 与标准的训练/验证集划分相比，使用K折交叉验证是否能提升模型的鲁棒性？
• RQ5 哪些超参数配置（批量大小、轮数、神经元数）能在准确性和泛化能力之间实现最佳平衡？

主要发现

• 两隐藏层DFN实现了最低的测试平均绝对误差（MAE）约1.60%。
• 尽管四隐藏层DFN的MAE略高（约2.0%），但其凭借先进的正则化技术展现出更优的泛化能力。
• 两层模型中观察到过拟合现象，表现为训练与验证MAE曲线之间的差距逐渐扩大。
• 四层模型表现出极小的过拟合，验证MAE在约35个训练轮后趋于稳定，表明其泛化能力更强。
• Dropout层与L1/L2正则化显著减少了过拟合，尤其在深层架构中效果明显。
• 每层256个神经元、批量大小为128、采用8折交叉验证的模型实现了最佳的性能与泛化平衡。