SambaMixer: Прогнозирование состояния здоровья литий-ионных аккумуляторов с использованием Mamba моделей пространства состояний.

SambaMixer: State of Health Prediction of Li-ion Batteries using Mamba State Space Models

October 31, 2024

Авторы: José Ignacio Olalde-Verano, Sascha Kirch, Clara Pérez-Molina, Sergio Martin

cs.AI

Аннотация

Состояние здоровья (SOH) литий-ионного аккумулятора является критическим параметром, определяющим оставшуюся емкость и оставшийся срок службы аккумулятора. В данной статье мы предлагаем SambaMixer - новую структурированную модель пространства состояний (SSM) для прогнозирования состояния здоровья литий-ионных аккумуляторов. Предложенная SSM основана на архитектуре MambaMixer, разработанной для обработки многомерных временных сигналов. Мы оцениваем нашу модель на наборе данных разряда батареи NASA и показываем, что наша модель превосходит существующие модели на этом наборе данных. Мы также представляем новый метод ресэмплинга на основе якорей, который гарантирует, что временные сигналы имеют ожидаемую длину, а также служит как метод аугментации. Наконец, мы условляем прогнозирование от времени выборки и разницы во времени цикла, используя позиционные кодирования, чтобы улучшить производительность нашей модели и изучить эффекты восстановления. Наши результаты доказывают, что наша модель способна прогнозировать SOH литий-ионных аккумуляторов с высокой точностью и надежностью.

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.