BatteryMFormer: Mehrstufiges Lernen zur Vorhersage von Batteriedegradationstrajektorien

Zusammenfassung

Frühzeitige Vorhersage von Batteriealterungsverläufen (BDTF), die den vollständigen Gesundheitszustandsverlauf aus frühen Betriebsdaten prognostiziert, ist entscheidend für die Optimierung, Herstellung und den Einsatz von Batterien. Die Daten zur Batteriealterung weisen zwei wesentliche Merkmale auf. Erstens weisen die Alterungsdaten eine mehrstufige Struktur auf, die sowohl alterungsbedingte Gemeinsamkeiten als auch über Batterien hinweg geteilte Verlaufsmuster umfasst. Zweitens sind alterungsbedingte Variationen in den Spannungs-Strom-Profilen oft auf bestimmte Ladezustandsintervalle (SOC) begrenzt. Bestehende Ansätze modellieren diese Merkmale oft nicht explizit. Um diese Lücke zu schließen, schlagen wir BatteryMFormer vor, einen mehrstufigen Transformer für die frühe BDTF. BatteryMFormer integriert (1) einen alterungsbedingungsbewussten Decoder, der über alterungsbedingungsinformierte Abfragen und alterungsbedingungsbewusste Aufmerksamkeit Prioritäten zu Alterungsbedingungen einbringt, (2) einen Meta-Abbau-Muster-Speicher, der Verlaufsprototypen lernt und abruft, um die Langzeitprognose zu leiten, und (3) einen Dual-View-Encoder, der gemeinsam zeitliche Dynamiken und SOC-lokalisierte Variationen aus Spannungs- und Stromzeitreihen erfasst. Umfangreiche Experimente in vier Batteriedomänen zeigen, dass BatteryMFormer durchgängig bessere Ergebnisse erzielt als aktuelle Basislinien und einen bedeutenden Schritt hin zu zuverlässiger BDTF darstellt. Unser Code ist verfügbar unter https://github.com/Ruifeng-Tan/BatteryMFormer.

English

Early battery degradation trajectory forecasting (BDTF), which predicts the full-life state-of-health trajectory from early operational data, is critical for battery optimization, manufacturing, and deployment. Battery degradation data exhibit two key characteristics. First, degradation data present a multi-level structure, including regularities shared within aging conditions and trajectory patterns shared across batteries. Second, degradation-related variations in voltage-current profiles are often localized to specific state-of-charge (SOC) intervals. Existing approaches often fail to explicitly model these characteristics. To bridge this gap, we propose BatteryMFormer, a multi-level Transformer for early BDTF. BatteryMFormer integrates (1) an aging-condition-aware decoder that injects aging-condition priors via aging-condition-informed queries and aging-condition-aware attention, (2) a meta degradation pattern memory that learns and retrieves trajectory prototypes to guide long-horizon forecasting, and (3) a dual-view encoder that jointly captures temporal dynamics and SOC-localized variations from voltage and current time series. Extensive experiments on four battery domains show that BatteryMFormer consistently outperforms state-of-the-art baselines, marking a significant step toward reliable BDTF. Our code is available at https://github.com/Ruifeng-Tan/BatteryMFormer.