SambaMixer: Voorspelling van de gezondheidstoestand van Li-ion batterijen met behulp van Mamba State Space modellen

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

Samenvatting

De gezondheidstoestand (SOH) van een Li-ion batterij is een kritieke parameter die de resterende capaciteit en de resterende levensduur van de batterij bepaalt. In dit artikel stellen we SambaMixer voor, een nieuw gestructureerd toestandsruimtemodel (SSM) voor het voorspellen van de gezondheidstoestand van Li-ion batterijen. Het voorgestelde SSM is gebaseerd op de MambaMixer-architectuur, die is ontworpen om multivariate tijdsignalen te verwerken. We evalueren ons model op de NASA-batterijontlaaddataset en tonen aan dat ons model beter presteert dan de state-of-the-art op deze dataset. We introduceren verder een nieuw anker-gebaseerde hersteekmethode die ervoor zorgt dat tijdsignalen de verwachte lengte hebben, terwijl het ook dient als augmentatietechniek. Tenslotte conditioneren we de voorspelling op de steektijd en het cyclustijdsverschil met behulp van positionele coderingen om de prestaties van ons model te verbeteren en om hersteleffecten te leren. Onze resultaten bewijzen dat ons model in staat is om de SOH van Li-ion batterijen met hoge nauwkeurigheid en robuustheid te voorspellen.

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.