Random forest regression for online capacity estimation of lithium-ion batteries

روش های مبتنی بر یادگیری ماشین به طور گسترده ای برای نظارت بر وضعیت سلامت باتری استفاده می شود. با این حال، مطالعات موجود نیازمند پردازش داده های پیچیده برای استخراج ویژگی ها هستند، بنابراین اجرای سیستم های مدیریت باتری پیچیده می شود. این مقاله یک تکنیک یادگیری ماشین، رگرسیون تصادفی تصادفی برای تخمین ظرفیت باتری ارائه می دهد. تکنیک پیشنهادی قادر به یادگیری وابستگی ظرفیت باتری به ویژگی هایی است که از ولتاژ شارژ و اندازه گیری ظرفیت استخراج می شود. رگرسیون تصادفی جنگی تنها براساس سیگنالهایی نظیر جریان، ولتاژ و زمان اندازه گیری شده است که در هنگام استفاده از باتری معمولی در دسترس هستند. داده های خام جمع آوری شده می تواند به طور مستقیم بدون نیاز به پیش پردازش به مدل آموزش داده شود و منجر به هزینه کم محاسباتی شود. تجزیه و تحلیل ظرفیت افزایشی برای انتخاب ویژگی استفاده می شود. روش توسعه یافته بر روی باتری های اکسید کبالت منگنز لیتیوم نیکل کبالت با الگوهای مختلف پیری کاربرد دارد. نتایج تجربی نشان می دهد که تکنیک پیشنهادی قادر به ارزیابی وضعیت سلامتی باتری های مختلف در شرایط دوچرخه سواری متنوع با خطای متوسط ​​ریشه کمتر از 1.3٪ و نیاز کم محاسباتی است. بنابراین، روش پیشنهادی برای تخمین ظرفیت باتری آنلاین امیدوار کننده است.