BatteryLife：面向电池寿命预测的全方位数据集与基准
机器学习
2025-11-13 v7 人工智能
数字图书馆
摘要
电池寿命预测（BLP）依赖于电池退化测试产生的时间序列数据，对于电池的利用、优化和生产至关重要。尽管取得了显著的进展，但该研究领域仍面临三个关键挑战：首先，现有数据集规模有限，难以洞察现代电池寿命数据；其次，大多数数据集仅限于小容量锂离子电池，在实验室内测试环境狭窄，引发对结果普适性的担忧；再者，不同研究中基准测试不一致且有限，模糆了基线方法的有效性，也无法确定其他时间序列领域流行模型是否适用于BLP。为应对这些挑战，我们提出了BatteryLife——一个面向BLP的全方位数据集与基准。BatteryLife整合了16个数据集，样本规模是前所未有的的最大数据集的2.5倍，提供了最具多样性的电池资源，包含来自8种电池格式、59种化学体系、9种运行温度和421种充放电方案，涵盖实验室及产业测试。值得注意的是，BatteryLife首次公开了锌离子电池、钠离子电池以及产业测试的大容量锂离子电池数据集。基于该全方位数据集，我们重新评估了本领域及其他时间序列领域流行基线方法的有效性。此外，我们提出了CyclePatch——一种可嵌入多种神经网络中的插拔技术。对18种方法的广泛基准测试表明，其他时间序列领域的模型可能不适用于BLP，CyclePatch能稳定提升模型性能，建立了最新的基准。此外，BatteryLife评估了不同老化条件和域中的模型性能。BatteryLife已在 https://github.com/Ruifeng-Tan/BatteryLife 提供。
引用
@article{arxiv.2502.18807,
title = {BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction},
author = {Ruifeng Tan and Weixiang Hong and Jiayue Tang and Xibin Lu and Ruijun Ma and Xiang Zheng and Jia Li and Jiaqiang Huang and Tong-Yi Zhang},
journal= {arXiv preprint arXiv:2502.18807},
year = {2025}
}
备注
Accepted by KDD 2025. Typos and data statistics mistakes are fixed