面向锂离子电池SOH与RUL联合预测的动态损失平衡方法：基于旋转SOH注入先验的电池Transformer

arXiv cs.LG 论文
battery transformer soh rul multi-task uncertainty lithium-ion

摘要

提出RoSIP-Batt，一种基于Transformer的模型，用于锂离子电池健康状态（SOH）与剩余使用寿命（RUL）的联合预测。该模型采用动态损失平衡和旋转位置嵌入，在多个数据集上取得了最先进的结果。

arXiv:2607.18329v1 Announce Type: new 摘要：部署可靠的锂离子电池管理系统对于加速电气化至关重要，然而健康状态（SOH）和剩余使用寿命（RUL）的联合预测严重受到任务异方差性的阻碍。传统的多任务学习框架无法平衡SOH估计的有界、低方差噪声与长期RUL预测的无界、非线性膨胀不确定性。本文提出了旋转SOH注入先验的电池Transformer（RoSIP-Batt），这是一种统一的协同估计框架，解决了这些优化冲突。通过将联合预测建模为贝叶斯多任务目标，RoSIP-Batt引入了一种同方差不确定性加权机制，根据学习到的残差噪声水平动态缩放任务特定梯度。该架构利用解耦的双分类令牌和逐维度门控融合机制，并通过梯度分离操作符防止高方差RUL更新破坏稳定的SOH表示空间。为了在不依赖绝对周期步长的情况下捕捉电化学退化模式，共享Transformer主干中集成了旋转位置嵌入（RoPE）以建模平移不变的相对时间轮廓。关键的是，中间SOH估计值作为物理退化先验直接注入RUL回归头。在NASA、MIT-Stanford和HUST数据集上的评估表明，RoSIP-Batt显著优于最先进的基线，在NASA上将SOH估计误差降低至1.994% MAE，在Stanford上将RUL预测误差限制在62.85个周期。这些发现确立了RoSIP-Batt作为一种高度泛化、计算高效的解决方案，适用于实时嵌入式BMS部署。
查看原文
查看缓存全文

缓存时间: 2026/07/22 08:19 

> 摘要：部署可靠的锂离子电池管理系统对于加速电气化进程至关重要，然而健康状态（SOH）与剩余使用寿命（RUL）的联合预测仍严重受限于任务异方差性。传统多任务学习框架无法平衡SOH估计中有界、低方差的噪声与长期RUL预测中无界、非线性扩展的不确定性。本文提出旋转SOH注入先验电池Transformer（RoSIP-Batt），一种统一协同估计框架，以解决这些优化冲突。通过将联合预测建模为贝叶斯多任务目标，RoSIP-Batt引入同方差不确定性加权机制，基于学习到的残差噪声水平动态缩放特定任务梯度。该架构利用解耦的双分类令牌和逐维度门控融合机制，并通过梯度分离算子确保稳定的SOH表征空间不受高方差RUL更新的破坏。为在不依赖绝对循环步数的情况下捕获电化学退化模式，旋转位置嵌入（RoPE）被集成到共享Transformer主干中，以建模平移不变的相对时序特征。关键之处在于，中间SOH估计值作为物理退化先验直接注入RUL回归头。在NASA、MIT-Stanford和HUST数据集上的评估表明，RoSIP-Batt显著优于现有最先进基线，在NASA上将SOH估计误差降至1.994% MAE，在Stanford上将RUL预测误差限制在62.85个循环内。这些发现确立了RoSIP-Batt作为一种高度通用、计算高效的解决方案，适用于实时嵌入式BMS部署。

## 提交历史

来自：陈毅涂 [查看邮箱](https://arxiv.org/show-email/04c6ee8c/2607.18329) **\[v1\]** 2026年7月19日星期日 08:11:40 UTC (2,923 KB)

相似文章

BatteryMFormer：多层级学习用于电池退化轨迹预测

arXiv cs.AI

本文提出了BatteryMFormer，一种用于早期电池退化轨迹预测的多层级Transformer，它集成了老化条件感知解码、元退化模式记忆和双视角编码，以捕捉多层级退化结构和SOC局部变化，在四个电池领域上持续优于最先进的基线方法。