BatteryMFormer: 배터리 열화 궤적 예측을 위한 다중 레벨 학습

초록

초기 배터리 열화 궤적 예측(BDTF)은 초기 운전 데이터로부터 전체 수명의 상태 궤적을 예측하는 것으로, 배터리 최적화, 제조 및 배치에 중요하다. 배터리 열화 데이터는 두 가지 주요 특성을 보인다. 첫째, 열화 데이터는 노화 조건 내에서 공유되는 규칙성과 배터리 간에 공유되는 궤적 패턴을 포함하는 다중 수준 구조를 나타낸다. 둘째, 전압-전류 프로파일의 열화 관련 변동은 종종 특정 충전 상태(SOC) 구간에 국한된다. 기존 접근법은 이러한 특성을 명시적으로 모델링하지 못하는 경우가 많다. 이러한 격차를 해소하기 위해, 우리는 초기 BDTF를 위한 다중 수준 Transformer인 BatteryMFormer를 제안한다. BatteryMFormer는 (1) 열화 조건 정보를 활용한 쿼리와 열화 조건 인식 어텐션을 통해 열화 조건 사전 정보를 주입하는 열화 조건 인식 디코더, (2) 장기 예측을 안내하기 위해 궤적 프로토타입을 학습하고 검색하는 메타 열화 패턴 메모리, (3) 전압 및 전류 시계열로부터 시간적 동역학과 SOC 구간별 변동을 공동으로 포착하는 이중 뷰 인코더를 통합한다. 네 가지 배터리 도메인에 대한 광범위한 실험을 통해 BatteryMFormer가 최신 기법 기준선을 일관되게 능가하여, 신뢰할 수 있는 BDTF를 향한 중요한 진전을 이루었음을 보여준다. 우리의 코드는 https://github.com/Ruifeng-Tan/BatteryMFormer에서 확인할 수 있다.

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.