Bayesian Model Selection of Lithium-Ion Battery Models via Bayesian Quadrature

要約

タイトル： ベイズ区分を用いたリチウムイオン電池モデルのベイズモデル選択

要約：

– 様々な種類の電池モデルが存在し、どのモデルがデータセットを最もよく表すか明確ではない。
– Occamの剃刀の精神に従い、データを最もよく表す最も単純なモデルを選択するために、モデルエビデンスを選択尺度に採用するベイズモデル選択アプローチを紹介する。ただし、これを推定するためには、通常膨大な計算量が必要なパラメータ空間上の積分計算が必要である。
– ベイズ区分は、バッテリーモデルの評価数を最小限に抑えるモデルベース推論によるサンプル効率の良い積分を提供する。また、モデルパラメータの事後分布も追加の計算なしで推定できる。
– 最も単純なリチウムイオンバッテリーモデルである等価回路モデルを用いて、異なるデータセットやモデル構成に対する選択基準の感度の分析を行った。
– RMSEやベイジアン情報基準などの一般的なモデル選択基準は、多峰性の事後分布の場合に簡潔なモデルを選択できないことがある。モデルエビデンスは、そのような場合でも最適なモデルを特定できるようになり、同時にエビデンス推定の分散自体も信頼性の指標として提供することができる。
– ベイズ区分は、一般的なモンテカルロベースのソルバーよりもエビデンスをより速く計算することができることも示した。

要約(オリジナル)

A wide variety of battery models are available, and it is not always obvious which model `best’ describes a dataset. This paper presents a Bayesian model selection approach using Bayesian quadrature. The model evidence is adopted as the selection metric, choosing the simplest model that describes the data, in the spirit of Occam’s razor. However, estimating this requires integral computations over parameter space, which is usually prohibitively expensive. Bayesian quadrature offers sample-efficient integration via model-based inference that minimises the number of battery model evaluations. The posterior distribution of model parameters can also be inferred as a byproduct without further computation. Here, the simplest lithium-ion battery models, equivalent circuit models, were used to analyse the sensitivity of the selection criterion to given different datasets and model configurations. We show that popular model selection criteria, such as root-mean-square error and Bayesian information criterion, can fail to select a parsimonious model in the case of a multimodal posterior. The model evidence can spot the optimal model in such cases, simultaneously providing the variance of the evidence inference itself as an indication of confidence. We also show that Bayesian quadrature can compute the evidence faster than popular Monte Carlo based solvers.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI