基于时空多模态注意力网络的锂离子电池剩余使用寿命预测
机器学习
2024-06-07 v2
摘要
锂离子电池广泛应用于包括电动汽车和可再生能源存储在内的各种场景中。电池剩余使用寿命(RUL)的预测对于确保可靠高效运行以及降低维护成本至关重要。然而，在真实场景中确定电池生命周期具有挑战性，且现有方法在迭代预测循环次数方面存在局限。此外，现有工作常过度简化数据集，忽略了温度、内阻和材料类型等电池的重要特征。为应对这些局限，本文提出一种基于时空多模态注意力网络(ST-MAN)的锂离子电池两阶段 RUL 预测方案。所提出的 ST-MAN 旨在捕捉电池数据中复杂的时空依赖关系，包括现有工作中常被忽略的特征。尽管在无寿命终止(EOL)事件先验知识下运行，我们的方法仍持续实现更低的错误率，其平均绝对误差(MAE)和均方误差(MSE)分别为 0.0275 和 0.0014，优于现有的卷积神经网络(CNN)和长短期记忆(LSTM)基方法。所提方法有望提升电池运行的可靠性和效率，并适用于多个行业。
引用
@article{arxiv.2310.18924,
title = {Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks},
author = {Sungho Suh and Dhruv Aditya Mittal and Hymalai Bello and Bo Zhou and Mayank Shekhar Jha and Paul Lukowicz},
journal= {arXiv preprint arXiv:2310.18924},
year = {2024}
}