跨化学体系与条件的通用电池退化预测——基于基础模型
机器学习
2026-01-06 v1
摘要
准确预测电池容量衰减对于能源存储系统的安全、可靠性和长期效率至关重要。然而，由于单体化学、结构形式及运行条件之间的强异质性，构建一个能够概括训练领域之外的单一模型极具挑战性。本工作提出了统一的容量预测框架，确保在多样化化学体系和使用场景中保持稳健性能。我们整理了 20 个公开的老化数据集，构建规模庞大的语料库，覆盖 1,704 个电池单元和 3,961,195 个充放电循环片段，温度范围覆盖 -5°C 至 45°C，包含多种 C 速率以及如快充和部分循环等应用导向的剂量。基于该语料库，我们采用时间序列基础模型（TSFM）作为骨干网络，并结合参数高效 Low-Rank Adaptation（LoRA）技术以及物理引导的对比表征学习，以捕捉共享的退化模式。在 seen 与故意保留的未见数据集上进行实验，结果表明，单个统一模型可实现对标或优于强大的 per-dataset 基线的准确率，同时在训练中未出现的化学体系、容量规模和运行条件下仍保持稳定性能。这些结果表明，TSFM 架构有望作为可扩展且可迁移的解决方案，为实际电池管理系统中的容量退化预测提供可靠支撑。
关键词
引用
@article{arxiv.2601.00862,
title = {Universal Battery Degradation Forecasting Driven by Foundation Model Across Diverse Chemistries and Conditions},
author = {Joey Chan and Huan Wang and Haoyu Pan and Wei Wu and Zirong Wang and Zhen Chen and Ershun Pan and Min Xie and Lifeng Xi},
journal= {arXiv preprint arXiv:2601.00862},
year = {2026}
}
备注
Due to space limitations, the open-source method for supporting materials is currently under discussion