В этой работе предлагается алгоритм глубокого гауссова процесса для мониторинга литий-ионных аккумуляторов. Глубокая архитектура предложенного алгоритма позволяет использовать данные временных рядов частичного заряда и разряда в форме напряжения, температуры и тока для оценки емкости, тем самым устраняя необходимость выделения входных характеристик. Алгоритм также оценивает статистическую корреляцию между мощностью от первого цикла и прошедшим временем, чтобы можно было предсказать конец срока службы. Выходные данные скрытого слоя предлагаемого алгоритма тесно связаны с внутренним состоянием батареи, поэтому механизм деградации батареи может быть диагностирован. Использование наборов данных о старении батареи, которые циклически меняются при различных условиях использования, доказывает эффективность алгоритма. Предлагаемый алгоритм предсказывает емкость и срок службы таким образом, что определяющий коэффициент больше 0,9, а средняя абсолютная ошибка меньше 0,1, что указывает на высокую точность предсказания метода.

This work proposes a deep Gaussian process algorithm for monitoring lithium-ion batteries. The deep structure of the proposed algorithm allows the use of partial charge and discharge time series data in the form of voltage, temperature, and cur-rent to estimate capacitance, thereby eliminating the need to isolate input character-istics. The algorithm can also estimate the statistical correlation between the power of the first cycle and the elapsed time, thereby predicting the end of the service life. The output of the hidden layer of the algorithm is closely related to the internal state of the battery, so the mechanism of battery degradation can be diagnosed. Using battery aging data sets that change periodically under different usage conditions proves the effectiveness of the algorithm. The proposed algorithm predicts capacity and service life in a way that the factor is greater than 0.9 and the average absolute error is less than 0.1, which shows that the method has high prediction accuracy.