[論文レビュー] MambaLithium: Selective state space model for remaining-useful-life, state-of-health, and state-of-charge estimation of lithium-ion batteries

Zhuangwei Shi|arXiv (Cornell University)|Mar 8, 2024

Advanced Battery Technologies Research被引用数 7

ひとこと要約

MambaLithiumは選択的状態空間モデル（Mamba）を用いて Li-ion バッテリーの RUL、SOH、SOC を推定し、複数のデータセットにおいて最近のベースラインより高い精度を達成します。

ABSTRACT

Recently, lithium-ion batteries occupy a pivotal position in the realm of electric vehicles and the burgeoning new energy industry. Their performance is heavily dependent on three core states: remaining-useful-life (RUL), state-of-health (SOH), and state-of-charge (SOC). Given the remarkable success of Mamba (Structured state space sequence models with selection mechanism and scan module, S6) in sequence modeling tasks, this paper introduces MambaLithium, a selective state space model tailored for precise estimation of these critical battery states. Leveraging Mamba algorithms, MambaLithium adeptly captures the intricate aging and charging dynamics of lithium-ion batteries. By focusing on pivotal states within the battery's operational envelope, MambaLithium not only enhances estimation accuracy but also maintains computational robustness. Experiments conducted using real-world battery data have validated the model's superiority in predicting battery health and performance metrics, surpassing current methods. The proposed MambaLithium framework is potential for applications in advancing battery management systems and fostering sustainable energy storage solutions. Source code is available at https://github.com/zshicode/MambaLithium.

研究の動機と目的

• Li-ion バッテリーの RUL、SOH、SOC の正確な推定を動機づけ、バッテリーマネジメントと安全性を向上させる。
• 老化と充電ダイナミクスを捉えるために Mamba 選択的状態空間フレームワークを活用する。
• バッテリ状態の正規化特徴量と回帰ターゲットを用いたデータ駆動予測パイプラインを開発する。

提案手法

• サイクルごとに特徴量（omega、b、T、r、tau、dQ/dV の統計量）を処理し、時刻ステップごとには（I、V、T）を処理して、z-score 正規化を行う。
• 選択機構とフォーカス情報抽出のためのスキャンモジュールを備え、時系列依存性をモデル化するために Mamba (S6) を用いる。
• 隠れ状態次元 N=16 と回帰ヘッドを用い、L1 損失で RUL、SOH、または SOC を予測する。
• NVIDIA GTX3060 上で Adam オプティマイザを用いて学習、100 エポック、学習率は 0.01。

Figure 1: MambaLithium framework

実験結果

リサーチクエスチョン

• RQ1 MambaLithium は現在の最先端ベースラインより RUL と SOH の推定精度を改善できるか？
• RQ2 MambaLithium はデータセットと温度を横断して SOC 推定をどれくらい良く行えるか？
• RQ3 選択的状態空間アプローチは Li-ion バッテリーの老化および充電ダイナミクスを効果的に捉えるか？

主な発見

Model	CaseA	CaseB
Baseline	45.86	56.29
MambaLithium	39.71	47.62

• RUL 推定: MambaLithium は RMSE 値を達成（CaseA 39.71、CaseB 47.62）対 Baseline（CaseA 45.86、CaseB 56.29）。
• SOH 推定: MambaLithium は SOH RMSE（CaseA 0.40、CaseB 0.38）を得る一方 Baseline（CaseA 0.47、CaseB 0.42）。
• SOC 推定: FUDS を 25 C で実行すると RMSE が 1.78 から 1.45 に改善; DST および US06 の室温では MambaLithium の RMSE はそれぞれ 1.62 と 0.95。
• MambaLithium はデータセットと温度を跨る比較でベースライン手法より高い精度と堅牢な性能を示す。
• Source code available at https://github.com/zshicode/MambaLithium.

Figure 2: Curve on CaseA of RUL estimation