基于知识蒸馏的基础模型用于电池容量退化预测
人工智能
2026-01-01 v4
摘要
精准预测锂离子电池容量退化对于确保其可靠和安全运行具有关键意义，但在不同规模和运行条件下的分布迁移仍具挑战性。本文我们检验一种时序基础模型，即大型预训练时序模型，用于容量退化预测，并提出一种面向退化轨迹的微调策略，以保持模型对容量轨迹的对齐，同时保留广泛可迁移的时序结构。我们通过在 220,153 个循环的开源充放电记录上对 Timer 模型进行微调，得到 Battery-Timer。使用我们公开的 CycleLife-SJTUIE 数据集，该数据集来自具有长周期循环的能源储存站的真实世界工业数据，我们评估了从小型电池到大规模储能系统以及不同运行条件下的容量泛化能力。Battery-Timer 在所有情况下均一致优于专门的专家模型。为解决部署成本，我们进一步引入知识蒸馏，即一种教师-学生传递，将基础模型的行为压缩到紧凑的专家模型中。在多个最先进时序模型专家上进行蒸馏，可在显著降低计算开销的同时提高多条件容量泛化能力，表明结合基础模型与针对性蒸馏可实现面向可部署跨尺度退化预测的实用路径。
引用
@article{arxiv.2505.08151,
title = {Foundation Models Knowledge Distillation For Battery Capacity Degradation Forecast},
author = {Joey Chan and Zhen Chen and Ershun Pan},
journal= {arXiv preprint arXiv:2505.08151},
year = {2026}
}