中年|基于GMDH模型的电池健康度估计( 三 ) |电池|估计|

实验数据以及分析
NASA 电池数据被用于验证电池健康度预测模型，该模型基于微分几何算法（DGA）和数据处理分组方法（GMDH）。不仅如此，为了进一步验证本论文方法的普遍适用性，还将增加对国产锂电池进行健康度分析的实验。
NASA 电池数据集
本论文的电压数据均来自于 NASA 电池数据集。该数据集基于 168 次充放电循环周期进行数据采集。随机选择其中的 100 个周期数据进行 GMDH 模型训练，剩下的周期数据用于模型准确性测试。模型预测结果如下：

本文插图
Figure 5．（a）（b）（c）为预测值与实际测量值曲线，（d）为预测误差曲线
从图中可以看到，基于 GMDH-DGA 模型进行电池健康度的预测，其结果误差可以控制在 5%以内。
为了验证 DGA 的有效性，本论文采用重要度采样（IS）和随机采样（RS）两种方式进行对比实验，为了确保公平性，对比试验将采用相同的 GMDH 模型进行电池健康度预测，实验结果如下：
【中年|基于GMDH模型的电池健康度估计】

本文插图
Figure 6．（a）充放电电压曲线（b）恒流充电电压曲线（c）电池健康度曲线（d）误差曲线
Figure 7．不同采样方法的预测误差
从图中可以看出，基于 GMDH-DGA 的方法拥有最低绝对误差 0.4503 ，是三种对比方法中最小的。比 GMDH-RS 提升了 38.8% ，比 GMDH-IS 提升了 15% 。
在国产锂电池的测试中，也表现出同样的趋势，其结果如下：
Figure 8．国产锂电池健康度预测误差
结论
基于以上实验结果可以发现，通过 GMDH-DGA 模型可以对电池健康度进行预测。电池健康度是基于一些可测量的外部特征计算表示。本论文通过对电池充放电的电压曲线进行采样，获取高维特征即电压值以及对应的变化速度，再对其中的点进行筛选，选择 4 个点输入 GMDH-DGA 模型获得预测的电池健康度。
致谢
本文由南京大学软件学院 2020 级硕士生倪烨翻译转述。
【来源：执笔情感的精选】
声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。邮箱地址：newmedia@xxcb.cn