颗粒计算与基于RKCCA的特征融合在锂离子电池早期剩余使用寿命（RUL）估计中的比较研究

《Scientific Reports》：Comparative study of granular computing and RKCCA-based feature fusion for early lithium-ion battery RUL estimation

　　

摘要

高效预测锂离子电池的剩余使用寿命（RUL）对于确保新能源存储和移动系统的安全性、可靠性和能源效率至关重要。本文提出了一种混合机器学习模型，该模型将正则化核典型相关分析（RKCCA）与随机森林（RF）回归相结合，从而能够在早期阶段准确预测电池的剩余使用寿命。在该模型中，电池退化数据可以通过两个互补的基础模型被分解为可解释的信息单元：Granular Model1（GM1）使用少量多项式来低阶分析退化模式；Granular Model2（GM2）则利用深度神经网络在高阶平台上实现退化过程。在RKCCA部分，通过将电压、电流和容量等异构传感器测量数据投影到一个假设的公共潜在特征空间中，实现非线性特征的融合。这种转换不仅提高了特征之间的相关性，还减轻了数据中的噪声和维度问题。融合后的潜在特征表示被作为输入传递给RF回归模型，以得出最终的剩余使用寿命估计值。将实验分析应用于MIT电池退化数据集（A123 LFP/石墨电池）的结果表明，所提出的RKCCA + RF模型显著优于GM1和GM2模型。该模型的平均相对误差为3.45个循环周期，均方根误差为4.75个循环周期，决定系数（\(R^2\)）为0.9995。总体而言，这些结果表明该模型是一个具有高能力的框架，能够模拟电池退化的非线性动态，并提供高精度的预测结果，可以有效地应用于数据驱动的预测维护和实时电池管理系统中。