Enhancing Data Efficiency and Feature Identification for Lithium-Ion Battery Lifespan Prediction by Deciphering Interpretation of Temporal Patterns and Cyclic Variability Using Attention-Based Models

要約

リチウムイオン電池の寿命を正確に予測することは、運用戦略を最適化し、リスクを軽減するために非常に重要です。
バッテリー寿命の予測を目的とした研究は数多くありますが、モデルの解釈可能性や、そのような洞察が予測をどのように改善できるかを検討した研究はほとんどありません。
このギャップに対処するために、リカレント ニューラル ネットワークと畳み込みニューラル ネットワークの要素を組み合わせた以前の研究の基礎モデルに浅い注意層を統合する 3 つの革新的なモデルを導入します。
有名な公開データセットを利用して、私たちの方法論の有効性を示します。
時間的な注意を払って重要なタイムステップを特定し、テストセルバッチ間の違いを強調し、特に「休止」フェーズの重要性を強調します。
さらに、コンテキスト ベクトルへのセルフ アテンションを介してサイクリック アテンションを適用することで、私たちのアプローチは重要なサイクルを効果的に特定し、入力サイズを戦略的に削減して予測を迅速化することができます。
シングルヘッド アテンション メカニズムとマルチヘッド アテンション メカニズムの両方を採用し、必要な入力を 100 サイクルから 50 サイクル、さらに 30 サイクルに系統的に最小化し、サイクル アテンション スコアに基づいてこのプロセスを改良しました。
当社の洗練されたモデルは強力な回帰機能を示し、簡単にアクセスできる入力データの最初の 30 サイクルだけを分析することで、わずか 58 サイクルの平均偏差で急速な容量低下の開始を正確に予測します。

要約(オリジナル)

Accurately predicting the lifespan of lithium-ion batteries is crucial for optimizing operational strategies and mitigating risks. While numerous studies have aimed at predicting battery lifespan, few have examined the interpretability of their models or how such insights could improve predictions. Addressing this gap, we introduce three innovative models that integrate shallow attention layers into a foundational model from our previous work, which combined elements of recurrent and convolutional neural networks. Utilizing a well-known public dataset, we showcase our methodology’s effectiveness. Temporal attention is applied to identify critical timesteps and highlight differences among test cell batches, particularly underscoring the significance of the ‘rest’ phase. Furthermore, by applying cyclic attention via self-attention to context vectors, our approach effectively identifies key cycles, enabling us to strategically decrease the input size for quicker predictions. Employing both single- and multi-head attention mechanisms, we have systematically minimized the required input from 100 to 50 and then to 30 cycles, refining this process based on cyclic attention scores. Our refined model exhibits strong regression capabilities, accurately forecasting the initiation of rapid capacity fade with an average deviation of only 58 cycles by analyzing just the initial 30 cycles of easily accessible input data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google