Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for Long-term Battery Degradation Forecasting

要約

電気自動車に搭載されるバッテリーの寿命や残存寿命を予測することは，重要かつ困難な問題であり，近年は主に機械学習を用いて，繰り返しサイクル中のバッテリーの状態変化を予測する方法が用いられている．特に電池寿命の初期における予測精度を向上させるために、多くのアルゴリズムが、電池管理システムによって収集されたデータから得られる特徴を取り入れています。しかし、複数の電池データセットを用いて寿命末期を直接予測する場合（大まかな予測に有効）は別として、このようなアプローチは、将来のサイクルに対する特徴が分からないため、実現不可能である。本論文では、修正ガウス過程力学モデル（GPDM）を用いて、この制限を克服できる高精度な方法を開発する。GPDMのカーネル化バージョンを導入し、観測座標と潜在座標の間の共分散構造をより表現的にする。この手法を伝達学習と組み合わせることで、将来の健康状態を終末期まで追跡することができる。本手法は、異なる物理的な観測値として特徴を取り込むことができ、データが利用可能な時間を超えてその値を必要としない。転送学習は、類似のバッテリーのデータを用いてハイパーパラメータの学習を改善するために使用される。ガウス過程モデル、深層畳み込みネットワーク、リカレントネットワークを含む最新のベンチマークアルゴリズムに対する本アプローチの精度と優位性が、特に電池寿命の初期段階において、3つのデータセットで実証された。

要約(オリジナル)

Predicting the end-of-life or remaining useful life of batteries in electric vehicles is a critical and challenging problem, predominantly approached in recent years using machine learning to predict the evolution of the state-of-health during repeated cycling. To improve the accuracy of predictive estimates, especially early in the battery lifetime, a number of algorithms have incorporated features that are available from data collected by battery management systems. Unless multiple battery data sets are used for a direct prediction of the end-of-life, which is useful for ball-park estimates, such an approach is infeasible since the features are not known for future cycles. In this paper, we develop a highly-accurate method that can overcome this limitation, by using a modified Gaussian process dynamical model (GPDM). We introduce a kernelised version of GPDM for a more expressive covariance structure between both the observable and latent coordinates. We combine the approach with transfer learning to track the future state-of-health up to end-of-life. The method can incorporate features as different physical observables, without requiring their values beyond the time up to which data is available. Transfer learning is used to improve learning of the hyperparameters using data from similar batteries. The accuracy and superiority of the approach over modern benchmarks algorithms including a Gaussian process model and deep convolutional and recurrent networks are demonstrated on three data sets, particularly at the early stages of the battery lifetime.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL