SambaMixer: Predizione dello stato di salute delle batterie al litio-ion utilizzando Mamba Modelli dello Spazio di Stato.

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

October 31, 2024

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

cs.AI

Abstract

Lo stato di salute (SOH) di una batteria al litio-ion (Li-ion) è un parametro critico che determina la capacità residua e la durata residua della batteria. In questo articolo, proponiamo SambaMixer, un nuovo modello strutturato dello spazio di stato (SSM) per prevedere lo stato di salute delle batterie Li-ion. Il SSM proposto si basa sull'architettura MambaMixer, progettata per gestire segnali temporali multivariati. Valutiamo il nostro modello sul dataset di scarica della batteria NASA e mostriamo che il nostro modello supera lo stato dell'arte su questo dataset. Introduciamo inoltre un nuovo metodo di campionamento basato su ancoraggi che garantisce che i segnali temporali abbiano la lunghezza attesa, fungendo anche da tecnica di aumento. Infine, condizioniamo la previsione sul tempo campione e sulla differenza di tempo di ciclo utilizzando codifiche posizionali per migliorare le prestazioni del nostro modello e apprendere gli effetti di recupero. I nostri risultati dimostrano che il nostro modello è in grado di prevedere lo stato di salute delle batterie Li-ion con elevata precisione e robustezza.

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.