BatteryMFormer : Apprentissage multi-niveaux pour la prévision de la trajectoire de dégradation des batteries

Résumé

La prévision précoce de la trajectoire de dégradation des batteries (PTDB), qui consiste à prédire la trajectoire complète de l’état de santé à partir de données opérationnelles précoces, est cruciale pour l’optimisation, la fabrication et le déploiement des batteries. Les données de dégradation des batteries présentent deux caractéristiques clés. Premièrement, elles possèdent une structure multi-niveaux, incluant des régularités partagées au sein des conditions de vieillissement et des motifs de trajectoire communs entre les batteries. Deuxièmement, les variations liées à la dégradation dans les profils tension-courant se situent souvent dans des intervalles spécifiques de l’état de charge (SOC). Les approches existantes ne parviennent souvent pas à modéliser explicitement ces caractéristiques. Pour combler cette lacune, nous proposons BatteryMFormer, un Transformer multi-niveaux pour la PTDB précoce. BatteryMFormer intègre (1) un décodeur sensible aux conditions de vieillissement qui injecte des connaissances a priori via des requêtes informées par ces conditions et une attention y afférente, (2) une mémoire de motifs de dégradation méta qui apprend et récupère des prototypes de trajectoire pour guider la prévision à long horizon, et (3) un encodeur à double vue qui capture conjointement les dynamiques temporelles et les variations localisées en SOC à partir des séries temporelles de tension et de courant. Des expériences approfondies sur quatre domaines de batteries montrent que BatteryMFormer surpasse systématiquement les références de l’état de l’art, marquant une avancée significative vers une PTDB fiable. Notre code est disponible à l’adresse 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.