BatteryMFormer: Aprendizaje multinivel para la predicción de la trayectoria de degradación de baterías

Resumen

El pronóstico temprano de la trayectoria de degradación de baterías (BDTF, por sus siglas en inglés), que predice la trayectoria completa del estado de salud a partir de datos operativos iniciales, es fundamental para la optimización, fabricación e implementación de baterías. Los datos de degradación de baterías presentan dos características clave. Primero, los datos de degradación exhiben una estructura multinivel, que incluye regularidades compartidas dentro de las condiciones de envejecimiento y patrones de trayectoria comunes entre baterías. Segundo, las variaciones relacionadas con la degradación en los perfiles de voltaje-corriente suelen localizarse en intervalos específicos del estado de carga (SOC). Los enfoques existentes a menudo no modelan explícitamente estas características. Para abordar esta brecha, proponemos BatteryMFormer, un Transformer multinivel para BDTF temprano. BatteryMFormer integra (1) un decodificador consciente de las condiciones de envejecimiento que inyecta conocimientos previos sobre dichas condiciones mediante consultas informadas y atención consciente de las condiciones de envejecimiento, (2) una memoria de patrones de degradación meta que aprende y recupera prototipos de trayectorias para guiar el pronóstico a largo plazo, y (3) un codificador de doble vista que captura conjuntamente la dinámica temporal y las variaciones localizadas en el SOC a partir de series temporales de voltaje y corriente. Experimentos exhaustivos en cuatro dominios de baterías muestran que BatteryMFormer supera consistentemente a los modelos de referencia de última generación, marcando un avance significativo hacia un BDTF confiable. Nuestro código está disponible en 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.