BatteryMFormer: Aprendizagem Multinível para Previsão da Trajetória de Degradação de Baterias

Resumo

A previsão precoce da trajetória de degradação de baterias (BDTF), que prevê a trajetória completa do estado de saúde a partir de dados operacionais iniciais, é crucial para a otimização, fabricação e implantação de baterias. Os dados de degradação de baterias apresentam duas características principais. Primeiro, os dados de degradação possuem uma estrutura multinível, incluindo regularidades compartilhadas nas condições de envelhecimento e padrões de trajetória compartilhados entre baterias. Segundo, as variações relacionadas à degradação nos perfis de tensão-corrente geralmente são localizadas em intervalos específicos do estado de carga (SOC). As abordagens existentes frequentemente não modelam explicitamente essas características. Para preencher essa lacuna, propomos o BatteryMFormer, um Transformer multinível para BDTF precoce. O BatteryMFormer integra (1) um decodificador ciente das condições de envelhecimento, que injeta conhecimentos prévios sobre essas condições por meio de consultas informadas pelo envelhecimento e atenção ciente ao envelhecimento, (2) uma memória de padrões de meta-degradação que aprende e recupera protótipos de trajetória para orientar a previsão de longo horizonte, e (3) um codificador de dupla visão que captura conjuntamente a dinâmica temporal e as variações localizadas no SOC a partir de séries temporais de tensão e corrente. Experimentos extensivos em quatro domínios de baterias mostram que o BatteryMFormer supera consistentemente as referências de última geração, representando um passo significativo em direção a uma BDTF confiável. Nosso código está disponível em 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.