探索不同时间序列Transformer（TST）架构：以电动汽车电池寿命预测为例
机器学习
2023-08-08 v1 系统与控制
系统与控制
摘要
近年来，电动汽车（EVs）的电池技术一直是研究重点，其中开发新型电池材料与化学体系受到显著重视。然而，准确预测电池关键参数（如荷电状态（SOC）和温度）仍是构建先进电池管理系统（BMS）的挑战。现有电池模型未能全面涵盖所有影响电池性能的参数，包括环境温、舱温、海拔和电动汽车行驶中再生制动等非电池相关因素。由于难以将这些辅助参数纳入传统模型，本文提出一种数据驱动方法。我们探索了利用多头注意力及并行友好架构的时间序列Transformer（TSTs），并与 LSTM 模型进行比较。同时开发了编码器 TST + 解码器 LSTM 及混合 TST-LSTM 等新型 TST 架构，并与现有模型对比。使用宝马 i3（60 Ah）的 72 段行驶行程数据集来解决电动汽车电池寿命预测问题，旨在构建融合环境、电池、车辆行驶及加热回路数据的精确 TST 模型，以预测未来时刻的 SOC 与电池温度。
引用
@article{arxiv.2308.03260,
title = {Exploring Different Time-series-Transformer (TST) Architectures: A Case Study in Battery Life Prediction for Electric Vehicles (EVs)},
author = {Niranjan Sitapure and Atharva Kulkarni},
journal= {arXiv preprint arXiv:2308.03260},
year = {2023}
}
备注
13 pages and 7 figures