一种基于模型的快速方法，用于在有限的电池组级数据条件下筛选适用于电动汽车退役电池容量估算的机器学习算法

《IEEE Access》：A Rapid, Model-Based Method for Screening Machine Learning Algorithms for EV Retired Battery Capacity Estimation with Limited Pack-Level Data

　　

摘要：

随着电动汽车（EV）的普及速度加快和电池老化问题的出现，从电动汽车中回收的锂离子电池数量持续增加。处理这些退役电池对实现电动交通的可持续发展构成了重大挑战。这些退役电池的一个潜在用途是作为二次能源，应用于固定式电池储能系统（BESS）中，在这些系统中，电池可以在对能量密度要求不高的场景下继续使用。重新利用和再利用退役电池可以延长电池的使用寿命和经济效益，减少原材料浪费，并提高可持续性。在电池再利用过程中，一个关键问题是如何快速、可靠且经济高效地确定废旧电池组中单个电池的容量，尤其是在电池组内部难以获取电池端电压测量数据的情况下。为了解决这一问题，本文提出了一种基于模型的快速方法，用于在模块级或电池组级数据有限的情况下筛选机器学习（ML）算法来估算电池容量。该方法利用通过诊断测试获得的电池单元模型构建出大量的电池组模型，这些模型可用于训练、开发、评估和比较不同的ML算法，并进行算法超参数优化。通过使用16个真实的日产Leaf电池单元模型生成了大规模数据集，然后使用该框架对六种ML算法（线性回归、人工神经网络、随机森林、直方图梯度提升决策树、长短期记忆神经网络和卷积神经网络）进行了训练、调优和评估。对每种算法的超参数进行了调整，并比较了它们在预测电池最大容量、最小容量和平均容量方面的能力...

显示更多