BatteryMFormer: Predicción de trayectorias de degradación mediante aprendizaje multi-nivel | Uso de transformadores para pronóstico de salud en sistemas físicos | Modelo predictivo para el ciclo de vida de almacenamiento energético basado en IA

Abstract

PROBLEMA: Predecir con precisión la degradación de baterías es extremadamente difícil debido a las complejas interacciones químicas que ocurren a diferentes escalas temporales y condiciones de uso. SOLUCIÓN: BatteryMFormer es una arquitectura basada en transformadores diseñada para el aprendizaje multi-nivel, capturando tanto fluctuaciones rápidas como tendencias de degradación a largo plazo. METODOLOGÍA: El modelo integra mecanismos de atención especializados para series temporales físicas, entrenado con grandes datasets de ciclos de carga y descarga de diversos tipos de celdas. RESULTADOS: Reduce el error cuadrático medio (MSE) en un 22% frente a modelos LSTM y Transformer estándar en la predicción del fin de vida útil (EoL). RELEVANCIA: Aunque el paper se enfoca en baterías, la metodología de 'multi-level learning' es directamente aplicable a la predicción de trayectorias orbitales y otros sistemas físicos complejos.