SambaMixer: Predicción del Estado de Salud de Baterías de Iones de Litio utilizando Mamba Modelos de Espacio de Estados.

SambaMixer: State of Health Prediction of Li-ion Batteries using Mamba State Space Models

October 31, 2024

Autores: José Ignacio Olalde-Verano, Sascha Kirch, Clara Pérez-Molina, Sergio Martin

cs.AI

Resumen

El estado de salud (SOH) de una batería de iones de litio es un parámetro crítico que determina la capacidad restante y la vida útil restante de la batería. En este documento, proponemos SambaMixer, un modelo estructurado novedoso de espacio de estados (SSM) para predecir el estado de salud de las baterías de iones de litio. El SSM propuesto se basa en la arquitectura MambaMixer, la cual está diseñada para manejar señales temporales multivariadas. Evaluamos nuestro modelo en el conjunto de datos de descarga de baterías de la NASA y demostramos que nuestro modelo supera al estado del arte en este conjunto de datos. Además, introducimos un novedoso método de re-muestreo basado en anclas que garantiza que las señales temporales tengan la longitud esperada, al mismo tiempo que sirve como técnica de aumento. Finalmente, condicionamos la predicción en el tiempo de muestra y la diferencia de tiempo de ciclo utilizando codificaciones posicionales para mejorar el rendimiento de nuestro modelo y aprender efectos de recuperación. Nuestros resultados demuestran que nuestro modelo es capaz de predecir el SOH de las baterías de iones de litio con alta precisión y robustez.

English

The state of health (SOH) of a Li-ion battery is a critical parameter that determines the remaining capacity and the remaining lifetime of the battery. In this paper, we propose SambaMixer a novel structured state space model (SSM) for predicting the state of health of Li-ion batteries. The proposed SSM is based on the MambaMixer architecture, which is designed to handle multi-variate time signals. We evaluate our model on the NASA battery discharge dataset and show that our model outperforms the state-of-the-art on this dataset. We further introduce a novel anchor-based resampling method which ensures time signals are of the expected length while also serving as augmentation technique. Finally, we condition prediction on the sample time and the cycle time difference using positional encodings to improve the performance of our model and to learn recuperation effects. Our results proof that our model is able to predict the SOH of Li-ion batteries with high accuracy and robustness.