基于时间感知动态序列反向变换器的电池健康状态估计

过去十年中，电池驱动的车辆和储能系统的快速普及，使得电池健康监测日益关键。电池在这些系统中在效率和安全性中占据核心位置，但由于反复的充放电循环，电池不可避免地会 degrades 随时间。这种 degrades 导致能源效率降低和潜在的过热，构成重大的安全隐患。因此，对 State of Health (SoH) 的准确估计对于确保操作可靠性和安全性至关重要。已提出了几种机器学习架构，如 LSTM、变换器和编码器模型，用于从放电循环数据估计 SoH。然而，这些模型在处理现实测量中固有的不规则性方面存在挑战：放电读数通常在非均匀间隔记录，放电循环的长度差异很大。为此，大多数现有方法从序列中提取特征，而不是完整地处理序列，这会导致信息丢失并影响准确性。为克服这些挑战，我们提出了一种新型架构：Time-Informed Dynamic Sequence Inverted Transformer (TIDSIT)。TIDSIT 采用连续时间嵌入来有效表示不规则采样的数据，并利用带有时间注意力机制的填充序列来处理可变长度的输入，而不会丢弃序列信息。在 NASA 电池 degrades 数据集上的实验结果表明，TIDSIT 显著优于现有模型，预测误差降低超过 50%，保持 SoH 预测误差低于 0.58%。此外，该架构具有通用性，可用于更广泛的健康监控任务，涉及不规则时间序列数据。