BatteryMFormer: 面向电池退化轨迹预测的多层次学习
人工智能
2026-05-27 v1
摘要
早期电池退化轨迹预测 (BDTF)，即从早期运行数据预测全寿命状态健康轨迹，对于电池优化、制造和部署至关重要。电池退化数据具有两个关键特征：首先，退化数据呈现多层次结构，包括不同老化条件下共享的规律性以及跨电池共享的轨迹模式。其次，与电压电流档案相关的退化变异常局限于特定的状态电荷 (SOC) 区间。现有方法往往无法显式建模这些特征。为填补这一差距，我们提出BatteryMFormer，一种用于早期BDTF的多层次Transformer。BatteryMFormer集成了 (1) 一种年龄条件感知解码器，通过年龄条件先验注入年龄条件查询和年龄条件感知注意力， (2) 一种元退化模式记忆，用于学习和检索轨迹原型以指导长期预测， (3) 一种双视图编码器，同时从电压和电流时间序列中捕获时序动力学和SOC局部变异。广泛的实验表明，BatteryMFormer在四个电池领域均一致优于最先进的基线方法，标志着可靠BDTF的重要一步。我们的代码已在 https://github.com/Ruifeng-Tan/BatteryMFormer 上提供。
关键词
引用
@article{arxiv.2605.27044,
title = {BatteryMFormer: Multi-level Learning for Battery Degradation Trajectory Forecasting},
author = {Ruifeng Tan and Jintao Dong and Weixiang Hong and Jia Li and Jiaqiang Huang and Tong-Yi Zhang},
journal= {arXiv preprint arXiv:2605.27044},
year = {2026}
}