BatteryMFormer: Multi-level Leren voor het Voorspellen van Batterijdegradatietrajectories

Samenvatting

Vroege voorspelling van het degradatietraject van batterijen (BDTF), die het volledige levensduurverloop van de gezondheidstoestand voorspelt op basis van vroege operationele gegevens, is van cruciaal belang voor batterijoptimalisatie, productie en implementatie. Gegevens over batterijdegradatie vertonen twee belangrijke kenmerken. Ten eerste hebben de degradatiegegevens een meerlagige structuur, met regelmatigheden die gemeenschappelijk zijn binnen verouderingscondities en trajectpatronen die gedeeld worden over batterijen. Ten tweede zijn variaties in spannings-stroomprofielen die verband houden met degradatie vaak gelokaliseerd in specifieke laadtoestand-intervallen (SOC). Bestaande benaderingen slagen er vaak niet in om deze kenmerken expliciet te modelleren. Om deze kloof te overbruggen, stellen we BatteryMFormer voor, een meerlagige Transformer voor vroege BDTF. BatteryMFormer integreert (1) een verouderingsconditie-bewuste decoder die verouderingsconditie-prioriteiten injecteert via verouderingsconditie-geïnformeerde queries en verouderingsconditie-bewuste aandacht, (2) een meta-degradatiepatroongeheugen dat trajectprototypen leert en ophaalt om langetermijnvoorspellingen te begeleiden, en (3) een dual-view encoder die gezamenlijk temporele dynamiek en SOC-gelokaliseerde variaties uit spannings- en stroomtijdreeksen vastlegt. Uitgebreide experimenten op vier batterijdomeinen tonen aan dat BatteryMFormer consistent beter presteert dan state-of-the-art basislijnen, wat een belangrijke stap markeert naar betrouwbare BDTF. Onze code is beschikbaar op 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.