用于非平稳老化情境下电池退化预测的世界模型
机器学习
2026-03-12 v1 系统与控制
系统与控制
摘要
锂离子电池的退化预测需要对未来循环的状态健康 (SOH) 轨迹进行预测。现有数据驱动方法可通过直接回归生成轨迹输出，但缺乏将退化动力学向时间前传的机制。本文将电池退化预测建模为世界模型问题，将每个循环的原始电压、电流和温度时间序列编码为潜在状态，并通过学习的动力学转换向前传播，以产生跨 80 个循环的未来轨迹。为探讨电化学知识是否改善所学习的动力学，本文在训练损失中引入了单颗粒模型 (SPM) 约束。在 138 个电池的 Severson LiFePO4 数据集上评估了三种配置。迭代展开可将轨迹预测误差减半，优于来自相同编码器的直接回归。SPM 约束在电阻与 SOH 关系最具适用性的退化肩部处提升预测精度，而不会改变整体准确率。
引用
@article{arxiv.2603.10527,
title = {World Model for Battery Degradation Prediction Under Non-Stationary Aging},
author = {Kai Chin Lim and Khay Wai See},
journal= {arXiv preprint arXiv:2603.10527},
year = {2026}
}
备注
18 pages, 3 figures