DiffBatt: A Diffusion Model for Battery Degradation Prediction and Synthesis

要約

バッテリーの劣化は、グリーンテクノロジーと持続可能なエネルギーソリューションを追求する上で依然として重要な課題です。
多大な研究努力にもかかわらず、バッテリーの容量損失を正確に予測することは、経年変化とサイクリング動作の両方の影響を受ける複雑な性質のため、依然として困難な作業です。
この課題に対処するために、バッテリー劣化の予測と合成のための新しい汎用モデル DiffBatt を導入します。
DiffBatt は、条件付きおよび無条件の拡散モデルと、分類子を使用しないガイダンスおよびトランスフォーマー アーキテクチャの革新的な組み合わせを活用して、高い表現力と拡張性を実現します。
DiffBatt は、経年変化における不確実性を捉える確率モデルとして、またバッテリーの劣化をシミュレートする生成モデルとして機能します。
このモデルのパフォーマンスは予測タスクにおいて優れていると同時に、合成劣化曲線の生成も可能にし、データ拡張による強化されたモデル トレーニングを容易にします。
残存耐用年数予測タスクでは、DiffBatt はすべてのデータセットにわたって平均 RMSE 196 サイクルの正確な結果を提供し、他のすべてのモデルを上回るパフォーマンスを示し、優れた一般化可能性を実証します。
この研究は、バッテリー劣化の基礎モデルの開発に向けた重要なステップを表します。

要約(オリジナル)

Battery degradation remains a critical challenge in the pursuit of green technologies and sustainable energy solutions. Despite significant research efforts, predicting battery capacity loss accurately remains a formidable task due to its complex nature, influenced by both aging and cycling behaviors. To address this challenge, we introduce a novel general-purpose model for battery degradation prediction and synthesis, DiffBatt. Leveraging an innovative combination of conditional and unconditional diffusion models with classifier-free guidance and transformer architecture, DiffBatt achieves high expressivity and scalability. DiffBatt operates as a probabilistic model to capture uncertainty in aging behaviors and a generative model to simulate battery degradation. The performance of the model excels in prediction tasks while also enabling the generation of synthetic degradation curves, facilitating enhanced model training by data augmentation. In the remaining useful life prediction task, DiffBatt provides accurate results with a mean RMSE of 196 cycles across all datasets, outperforming all other models and demonstrating superior generalizability. This work represents an important step towards developing foundational models for battery degradation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google