SambaMixer: Vorhersage des Gesundheitszustands von Li-Ionen-Batterien unter Verwendung von Mamba-Zustandsraummodellen

SambaMixer: State of Health Prediction of Li-ion Batteries using Mamba State Space Models

October 31, 2024

Autoren: José Ignacio Olalde-Verano, Sascha Kirch, Clara Pérez-Molina, Sergio Martin

cs.AI

Zusammenfassung

Der Gesundheitszustand (State of Health, SOH) einer Li-Ionen-Batterie ist ein entscheidender Parameter, der die verbleibende Kapazität und die verbleibende Lebensdauer der Batterie bestimmt. In diesem Paper schlagen wir SambaMixer vor, ein neuartiges strukturiertes Zustandsraummodell (State Space Model, SSM) zur Vorhersage des Gesundheitszustands von Li-Ionen-Batterien. Das vorgeschlagene SSM basiert auf der MambaMixer-Architektur, die entwickelt wurde, um multivariate Zeitssignale zu verarbeiten. Wir evaluieren unser Modell anhand des NASA-Batterieentladedatensatzes und zeigen, dass unser Modell auf diesem Datensatz die bisherigen Spitzenleistungen übertrifft. Darüber hinaus führen wir eine neuartige ankerbasierte Resampling-Methode ein, die sicherstellt, dass Zeitssignale die erwartete Länge haben und gleichzeitig als Augmentationstechnik dient. Abschließend konditionieren wir die Vorhersage anhand der Probenzeit und des Zykluszeitunterschieds unter Verwendung von Positionscodierungen, um die Leistung unseres Modells zu verbessern und Erholungseffekte zu erlernen. Unsere Ergebnisse belegen, dass unser Modell in der Lage ist, den SOH von Li-Ionen-Batterien mit hoher Genauigkeit und Robustheit vorherzusagen.

English

The state of health (SOH) of a Li-ion battery is a critical parameter that determines the remaining capacity and the remaining lifetime of the battery. In this paper, we propose SambaMixer a novel structured state space model (SSM) for predicting the state of health of Li-ion batteries. The proposed SSM is based on the MambaMixer architecture, which is designed to handle multi-variate time signals. We evaluate our model on the NASA battery discharge dataset and show that our model outperforms the state-of-the-art on this dataset. We further introduce a novel anchor-based resampling method which ensures time signals are of the expected length while also serving as augmentation technique. Finally, we condition prediction on the sample time and the cycle time difference using positional encodings to improve the performance of our model and to learn recuperation effects. Our results proof that our model is able to predict the SOH of Li-ion batteries with high accuracy and robustness.