SambaMixer: Previsão do Estado de Saúde de Baterias de Íon de Lítio usando Modelos de Espaço 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

Resumo

O estado de saúde (SOH) de uma bateria de íon de lítio é um parâmetro crítico que determina a capacidade restante e a vida útil remanescente da bateria. Neste artigo, propomos o SambaMixer, um novo modelo estruturado de espaço de estados (SSM) para prever o estado de saúde de baterias de íon de lítio. O SSM proposto é baseado na arquitetura MambaMixer, projetada para lidar com sinais temporais multivariados. Avaliamos nosso modelo no conjunto de dados de descarga de bateria da NASA e demonstramos que nosso modelo supera o estado da arte neste conjunto de dados. Introduzimos ainda um novo método de reamostragem baseado em âncoras que garante que os sinais temporais tenham o comprimento esperado, ao mesmo tempo que serve como técnica de aumento. Por fim, condicionamos a previsão no tempo da amostra e na diferença de tempo do ciclo usando codificações posicionais para melhorar o desempenho de nosso modelo e aprender efeitos de recuperação. Nossos resultados comprovam que nosso modelo é capaz de prever o SOH de baterias de íon de lítio com alta precisão e 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.