使用伪目标的电池退化增量多步预测
机器学习
2025-09-22 v1
摘要
数据驱动模型能够准确执行早期电池预测，以防止设备故障和进一步的安全隐患。大多数现有的机器学习（ML）模型工作在离线模式下，每次遇到新的数据分布时都必须考虑部署后的重新训练。因此，需要一种在线 ML 方法，使模型能够适应不同的分布。然而，现有的在线增量多步预测是一个巨大挑战，因为无法在当前实例下纠正模型的预测。此外，这些方法需要等待相当长的时间以获取足够的流数据才能进行重新训练。在本研究中，我们提出了 iFSNet（incremental Fast and Slow learning Network，增量快慢学习网络），它是 FSNet 的改进版本，用于单遍模式（逐样本），以利用伪目标实现多步预测。它使用输入序列的简单线性回归器来外推伪未来样本（伪目标），并计算预测其余部分的损失，同时不断更新模型。该模型受益于 FSNet 的联想记忆和自适应结构机制，同时通过使用伪目标进行增量改进。所提出的模型在具有平滑退化轨迹的数据集上实现了 0.00197 的 RMSE 和 0.00154 的 MAE，而在具有不规则退化轨迹及容量再生尖峰的数据集上实现了 0.01588 的 RMSE 和 0.01234 的 MAE。
引用
@article{arxiv.2509.15740,
title = {Incremental Multistep Forecasting of Battery Degradation Using Pseudo Targets},
author = {Jonathan Adam Rico and Nagarajan Raghavan and Senthilnath Jayavelu},
journal= {arXiv preprint arXiv:2509.15740},
year = {2025}
}
备注
The published version of this preprint can be accessed at https://ieeexplore.ieee.org/abstract/document/10874675