亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

BatteryMFormer: Multi-level Learning for Battery Degradation Trajectory Forecasting

弹道 计算机科学 编码器 降级(电信) 电池(电) 变压器 钥匙(锁) 荷电状态 电池容量 先验概率 人工智能 国家(计算机科学) 控制理论(社会学) 编码(内存) 桥(图论) 短时记忆 编码(集合论) 数据建模
作者
Ruifeng Tan,Jintao Dong,Weixiang Hong,Jia Li,Jiaqiang Huang,Tong‐Yi Zhang
出处
期刊: [Association for Computing Machinery]
卷期号:: 12078-12089 被引量:2
标识
DOI:10.1145/3770855.3818948
摘要

Early battery degradation trajectory forecasting (BDTF), which predicts the full-life state-of-health trajectory from early operational data, is critical for battery optimization, manufacturing, and deployment. Battery degradation data exhibit two key characteristics. First, degradation data present a multi-level structure, including regularities shared within aging conditions and trajectory patterns shared across batteries. Second, degradation-related variations in voltage-current profiles are often localized to specific state of charge (SOC) intervals. Existing approaches often fail to explicitly model these characteristics. To bridge this gap, we propose BatteryMFormer, a multi-level Transformer for early BDTF. BatteryMFormer integrates (1) an aging-condition-aware decoder that injects aging-condition priors via aging-condition-informed queries and aging-condition-aware attention, (2) a meta degradation pattern memory that learns and retrieves trajectory prototypes to guide long-horizon forecasting, and (3) a dual-view encoder that jointly captures temporal dynamics and SOC-localized variations from voltage and current time series. Extensive experiments on four battery domains show that BatteryMFormer consistently outperforms state-of-the-art baselines, marking a significant step toward reliable BDTF. Our code is available at https://github.com/Ruifeng-Tan/BatteryMFormer.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
开朗的友瑶完成签到,获得积分10
6秒前
ppp发布了新的文献求助10
13秒前
阿柠发布了新的文献求助20
19秒前
20秒前
21秒前
云弦完成签到,获得积分10
21秒前
蓝懒懒完成签到 ,获得积分10
28秒前
阿柠完成签到,获得积分10
34秒前
36秒前
40秒前
拉拉裤完成签到,获得积分10
42秒前
嘻嘻哈哈的应助被科研通管家采纳,获得10
42秒前
深情安青的应助被科研通管家采纳,获得10
42秒前
Maestro_S的应助被科研通管家采纳,获得10
42秒前
慕青的应助被科研通管家采纳,获得30
42秒前
369ninja的应助被科研通管家采纳,获得10
43秒前
嘻嘻哈哈的应助被科研通管家采纳,获得10
43秒前
44秒前
45秒前
fairytaler完成签到,获得积分10
45秒前
49秒前
50秒前
科研通AI6.2的应助被lhw采纳,获得10
52秒前
云弦发布了新的文献求助10
54秒前
温暖的雪萍完成签到,获得积分10
54秒前
ppp发布了新的文献求助10
55秒前
59秒前
淡然的代灵完成签到,获得积分10
1分钟前
1分钟前
1分钟前
lhw发布了新的文献求助10
1分钟前
xiaoguoxiaoguo完成签到,获得积分10
1分钟前
ycq发布了新的文献求助30
1分钟前
沧海君完成签到,获得积分10
1分钟前
完美世界的应助被啊啊啊啊采纳,获得10
1分钟前
留胡子的鸿涛完成签到,获得积分10
1分钟前
fantasy的应助被小峰采纳,获得10
1分钟前
1分钟前
谁将新樽乘旧月完成签到,获得积分10
1分钟前
ppp发布了新的文献求助10
1分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
Hidden Empire of Finance: How Wall Street Profits from Our Cities and Fuels Global Inequality 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8165939
求助须知:如何正确求助?哪些是违规求助? 9559318
关于积分的说明 21749898
捐赠科研通 7756692
什么是DOI,文献DOI怎么找? 3429083
关于科研通互助平台的介绍 2553385
邀请新用户注册赠送积分活动 2473623