SambaMixer : Prédiction de l'état de santé des batteries Li-ion à l'aide de Mamba Modèles d'espaces d'états

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

October 31, 2024

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

cs.AI

Résumé

L'état de santé (SOH) d'une batterie Li-ion est un paramètre critique qui détermine la capacité restante et la durée de vie restante de la batterie. Dans cet article, nous proposons SambaMixer, un nouveau modèle structuré d'espace d'état (SSM) pour prédire l'état de santé des batteries Li-ion. Le SSM proposé est basé sur l'architecture MambaMixer, conçue pour traiter des signaux temporels multivariés. Nous évaluons notre modèle sur l'ensemble de données de décharge de batterie de la NASA et montrons que notre modèle surpasse l'état de l'art sur cet ensemble de données. Nous introduisons en outre une nouvelle méthode de rééchantillonnage basée sur des ancres qui garantit que les signaux temporels ont la longueur attendue tout en servant de technique d'augmentation. Enfin, nous conditionnons la prédiction sur le temps d'échantillonnage et la différence de temps de cycle en utilisant des encodages positionnels pour améliorer les performances de notre modèle et apprendre les effets de récupération. Nos résultats prouvent que notre modèle est capable de prédire l'état de santé des batteries Li-ion avec une grande précision et robustesse.

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.