面向实际场景的基于条件扩散建模注意力机制的锂离子电池容量概率预测
机器学习
2026-04-22 v2
摘要
准确预测锂离子电池容量及其相关不确定性对于可靠的电池管理系统至关重要，但由于老化的随机性，这一任务仍具有挑战性。本文提出了一种新方法，称为条件扩散 U-Net 注意力模型（CDUA），通过特征工程和深度学习相结合来解决此问题。该方法采用基于扩散的生成模型进行时间序列预测，并融入注意力机制以提升预测性能。首先从现实车辆运行数据中推导出电池容量。随后利用皮尔逊相关系数和 XGBoost 算法识别出最相关的特征。这些特征用于训练 CDUA 模型，模型由两个组件构成：（1）具备自注意力的情境 U-Net，用于捕获复杂的时序依赖性；（2）噪声预测网络，通过学习估计添加的噪声，实现从带噪观测中重建准确的容量值。在真实车辆数据上的实验验证表明，所提出的 CDUA 模型实现了相对平均绝对误差为 0.94%，相对均方根误差为 1.14%，且 95% 置信区间的相对宽度为 3.74%。这些结果表明 CDUA 能够提供准确的容量估计和可靠的不确定性量化。比较实验进一步验证了其鲁棒性及相对于现有主流方法的优越性能。
引用
@article{arxiv.2510.17414,
title = {Conditional Diffusion Modeling with Attention for Probabilistic Battery Capacity Prediction under Real-World Condition},
author = {Chunlin Jiang and Hequn Li and Zhongwei Deng and Jie Shao and Zhansheng Ning},
journal= {arXiv preprint arXiv:2510.17414},
year = {2026}
}