Hyperscale-Cascaded Transformer-net-based framework for remaining usefullife prediction of electric vehicle batteries

Abstract

The accurate prediction of remaining useful life (RUL) of electric vehicle (EV) batteries is a critical aspect of intelligent battery management systems. Effective RUL prediction not only ensures vehicle safety and reliability but also plays a pivotal role in optimizing charging cycles, reducing maintenance costs, and extending the overall battery lifespan. This work presents a comprehensive Deep Learning (DL) framework for predictingRUL of EV batteries, using a novel Hyperscale-Cascaded TransformerNet architecture designed to capture long-term dependencies and degradation patterns in battery behavior. The proposed system initiates with data acquisition, wherein parameters such as cycle index, voltage, current, and time-based features are collected. Raw data undergoes preprocessing, which includes data cleaning to eliminate outliers and handle missing values, followed by Exploratory Data Analysis (EDA) to extract meaningful patterns through descriptive statistics, distribution analysis, and correlation heatmaps. Subsequently, the data is passed through a feature engineering pipeline, where feature scaling using Min-Max normalization is applied to enhance learning efficiency of model. Processed dataset is then split into training and testing sets, maintaining data integrity for unbiased evaluation. The core of the model lies in Hyperscale-Cascaded TransformerNet, a DLmodel that utilizes cascaded transformer layers to model complex temporal relationships and nonlinear degradation behaviors inherent in battery performance over time. Experimental esults demonstrate that proposed Transformer-based model outperforms traditional Machine Learning (ML) techniques in terms of accuracy and robustnessin revolutionizing EV battery management systems.

Predicția precisă a duratei de viață utilă rămase (RUL) a bateriilor vehiculelor electrice (EV) este un aspect critic al sistemelor inteligente de gestionare a bateriilor. Predicția eficientă a duratei de viață utilă rămase (RUL) nu numai că asigură siguranța și fiabilitatea vehiculului, dar joacă și un rol esențial în optimizarea ciclurilor de încărcare, reducerea costurilor de întreținere și extinderea duratei de viață totale a bateriei. Această lucrare prezintă un cadru cuprinzător de Deep Learning (DL) pentru prezicerea duratei de viață utilă rămase (RUL) a bateriilor EV, utilizând o nouă arhitectură TransformerNet Hyperscale-Cascaded, concepută pentru a capta dependențele pe termen lung și modelele de degradare în comportamentul bateriei. Sistemul propusinițiază cu achiziția de date, în care sunt colectați parametri precum indicele ciclului, tensiunea, curentul și caracteristicile bazate pe timp. Datele brute sunt supuse preprocesării, care include curățarea datelor pentru a elimina valorile aberante și a gestiona valorile lipsă, urmată de analiza exploratorie a datelor (EDA) pentru a extrage modele semnificative prin statistici descriptive, analiză a distribuției și hărți termice de corelație. Ulterior, datele sunt transmise printr-o conductă de inginerie a caracteristicilor, unde se aplică scalarea caracteristicilor folosind normalizarea Min-Max pentru a îmbunătăți eficiența învățării modelului. Setul de date procesat este apoi împărțit în seturi de antrenament și testare, menținând integritatea datelor pentru o evaluare imparțială. Nucleul modelului constă în TransformerNet în cascadă hiperscală, un model DL care utilizează straturi de transformare în cascadă pentru a modela relații temporale complexe și comportamente de degradare neliniară inerente performanței bateriei în timp.

Точное прогнозирование остаточного срока службы (RUL) аккумуляторов электромобилей (ЭМ) является критически важным аспектом интеллектуальных систем управления аккумуляторами. Эффективное прогнозирование остаточного срока службы (RUL) не только обеспечивает безопасность и надежность транспортного средства, но и играет ключевую роль в оптимизации циклов зарядки, снижении затрат на техническое обслуживание и продлении общего срока службы аккумуляторов. В данной работе представлена комплексная платформа глубокого обучения (DL) для прогнозирования остаточного срока службы аккумуляторов ЭМ с использованием новой гипермасштабируемой каскадной архитектуры TransformerNet, разработанной для выявления долгосро0чных зависимостей и закономерностей деградации в поведении аккумуляторов. Предлагаемая система начинается со сбора данных, в ходе которого собираются такие параметры, как индекс цикла, напряжение, ток и временные характеристики. Исходные данные проходят предварительную обработку, которая включает очистку данных для устранения выбросов и обработки пропущенных значений, после чего проводится разведочный анализ данных (EDA) для извлечения значимых закономерностей с помощью описательной статистики, анализа распределения и построения тепловых карт корреляций. Затем данные проходят через конвейер проектирования признаков, где применяется масштабирование признаков с использованием нормализации Min-Max для повышения эффективности обучения модели. Обработанный набор данных затем разделяется на обучающий и тестовый наборы, сохраняя целостность данных для беспристрастной оценки. Ядром модели является Hyperscale-Cascaded Transformer Net, модель DL, которая использует каскадные слои трансформатора для моделирования сложных временных соотношений и нелинейного поведения деградации, присущего производительности батареи с течением времени. Валидация модели и оценка производительности проводятся с помощью программного обеспечения Python, а метрики производительности измеряются в терминах метрик ошибок, таких как средняя абсолютная ошибка (MAE) 0.062, среднеквадратическая ошибка (MSE) 0.0006, среднеквадратическая ошибка (RMSE) 0.0245и коэффициент детерминации (R²-score) 0.9993. Экспериментальные результаты показывают, что предлагаемая модель на основе трансформатора превосходит традиционные методы машинного обучения (ML) с точки зрения точности и надежности в революционных системах управления батареями электромобилей.