GiNet:融合序列学习与上下文感知学习的电池容量预测
机器学习
2025-01-10 v1 人工智能
摘要
对电池日益增长的需求要求先进的电池管理系统,其中电池容量建模是一项关键功能。本文旨在通过学习电池动态的历史测量数据来实现精确的电池容量预测。我们提出了 GiNet,一种由门控循环单元增强的 Informer 网络,用于预测电池容量。GiNet 的新颖性和竞争力在于其能够从原始电池数据中捕获序列和上下文信息,并通过时间动态和长期依赖关系反映电池的复杂行为。我们基于一个公开可用的数据集进行了实验研究,以展示 GiNet 在全面理解电池行为和准确预测电池容量方面的优势。GiNet 在不知道历史电池容量的情况下,对未来一系列时间槽内电池容量预测的平均绝对误差达到 0.11。与最新的算法相比,GiNet 平均误差降低了 27%,显著优于 Informer。这些有前景的结果凸显了算法与电池知识定制化优化集成的重要性,也为其他工业应用提供了启示。
引用
@article{arxiv.2501.04997,
title = {GiNet: Integrating Sequential and Context-Aware Learning for Battery Capacity Prediction},
author = {Sara Sameer and Wei Zhang and Xin Lou and Qingyu Yan and Terence Goh and Yulin Gao},
journal= {arXiv preprint arXiv:2501.04997},
year = {2025}
}
备注
6 pages