Abstrak
Studi ini menyajikan pendekatan jaringan saraf untuk memprediksi tegangan baterai lithium-ion. Model ini menggunakan tiga teknik peningkatan data tegangan untuk meningkatkan representasi fitur data tegangan. Model ini menggunakan jaringan konvolusi dilatasi dalam yang dikombinasikan dengan fungsi kerugian triplet yang diawasi sendiri berdasarkan pengambilan sampel negatif. Pendekatan ini dirancang untuk mempelajari metode representasi deret waktu yang secara efektif mengatasi masalah data yang hilang. Selanjutnya, model ini memanfaatkan arsitektur Transformer untuk mengekstrak karakteristik data tegangan berdimensi tinggi. Dalam paket baterai atau susunan baterai, pemantauan beberapa baterai secara bersamaan memungkinkan bagian encoder untuk memproses seluruh urutan secara paralel. Akhirnya, prediksi tegangan dicapai melalui pembelajaran kontras waktu. Hasilnya menunjukkan bahwa model tersebut mengungguli model jaringan saraf konvensional di tiga set data tegangan. Khususnya, pada set data NASA, model tersebut mengurangi kesalahan relatif dalam prediksi deret waktu tegangan sebesar 2,31% dibandingkan dengan model Transformer dan sebesar 16,27% dibandingkan dengan model memori jangka pendek panjang. Dalam kumpulan data tegangan skala besar baterai LiFePO4 di pembangkit listrik penyimpanan energi, kinerjanya bahkan lebih baik, dan tugas prediksi yang akurat dan efisien telah diselesaikan dengan sangat baik.