使用低级适应 (TransLoRA-GPT) 的可转移生成预训练变压器:从充电片段预测电池衰老轨迹的框架
Zhenyu Wang1, Renquan Lv1, Jiahong Liao1
1Key Laboratory of Biomass Chemical Engineering of Ministry of Education, Department of Chemical and Biological Engineering, Zhejiang University, Hangzhou 310027, China.
Chem & bio engineering
|March 4, 2026
概括
这项研究介绍了TransLoRA-GPT,这是一种新的可转移的生成预训变压器,用于准确预测电池寿命. 该模型有效地预测电池健康状况 (SOH),即使数据有限,提高安全性和管理.
科学领域:
- 电池技术 电池技术
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 准确的电池寿命预测对于运行安全和有效的电池管理至关重要.
- 挑战包括有限的数据可用性和不同电池系统的模型可转移性差.
- 现有的方法往往难以推广,需要大量的数据集.
研究的目的:
- 提出一种使用低级适应 (TransLoRA-GPT) 的新型可转移生成预训变压器,以提高电池寿命预测.
- 解决数据稀缺和模型可转移性在预测电池健康状况 (SOH) 的挑战.
- 开发一种强大的模型,能够在各种条件下预测电池老化轨迹.
主要方法:
- 微调一个大型语言模型 (LLM) 以使用低级调整 (LoRA) 创建基础和转移模型.
- 从初始充电数据 (前20个循环) 中利用特征工程来预测长期老化 (下100个循环).
- 在不同的充电策略和电池类型中评估模型性能.
主要成果:
- TransLoRA-GPT的平均平方根平均误差 (RMSE) 为0.0128,超过了传统模型的性能.
- 该模型证明了对数据稀缺的稳定性,在整个电池寿命周期内保持可靠的预测.
- 在不同的充电/放电策略中实现了强大的可转移性 (平均. 电池类型 (RMSE 0.0171) 和电池类型 (平均值). RMSE 0.0594) 在最小的参数调整 (3.33%) 的情况下.
结论:
- 基于LLM的可转移预测模型显示了准确预测电池寿命的巨大潜力.
- 在各种条件下,TransLoRA-GPT为预测电池健康状况 (SOH) 提供了强大而高效的解决方案.
- 拟议的方法通过提供可靠的长期老化预测,以有限的数据来增强电池管理系统.
