NOCE-Net: Representation Learning for Battery Operational Context via Nested Sequence Modelling

📄 arXiv: 2610.21391v1 📥 PDF

作者: Arnab Bhattacharjee, Wayes Tushar, Tapan Kumar Saha

分类: cs.CE, eess.SY

发布日期: 2026-10-15

备注: 38 pages, Accepted in NeurIPS 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出NOCE-Net以解决电池操作上下文表示学习问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 电池健康管理 深度学习 序列建模 变换器 GRU 数据标准化 零-shot学习

📋 核心要点

  1. 现有方法依赖于工程特征或短期数据，限制了电池健康管理的通用性和前瞻性应用。
  2. NOCE-Net通过深度嵌套序列模型直接从原始数据中学习表示，克服了传统方法的局限性。
  3. 在零-shot评估中，NOCE-Net在电压预测中实现了13.7% MAPE，显著优于基线方法。

📝 摘要（中文）

从电池操作历史中学习有效表示对于预测健康管理和控制应用至关重要。现有方法依赖于响应依赖的工程特征或短期早期生命周期窗口，限制了其通用性，并阻碍了在未来响应不可用的前瞻性设置中的使用。我们提出NOCE-Net，一种深度嵌套序列模型，能够直接从原始循环操作或遥测数据中学习控制启用的表示。我们的数据管道re-BatteryData将异构老化数据集标准化为语义等效的全等效循环（FEC），使得在多种操作模式下实现端到端学习。NOCE-Net结合了多补丁变换器编码器用于循环内动态，GRU主干用于循环间状态演变，处理约700个电池，涵盖十个公共数据集，跨越300多个操作配置。在对未见电池化学和使用模式的零-shot评估中，NOCE-Net在电压响应预测中实现了13.7%的MAPE，超越强大的长序列基线超过43%，同时使用的参数少了40倍。

🔬 方法详解

问题定义：本论文旨在解决从电池操作历史中有效学习表示的问题。现有方法通常依赖于响应依赖的特征工程或短期数据，导致其在实际应用中的局限性，尤其是在未来响应不可用的情况下。

核心思路：NOCE-Net的核心思路是通过深度嵌套序列模型，直接从原始的循环操作或遥测数据中学习控制启用的表示。这种设计使得模型能够捕捉到更丰富的动态信息，提升了模型的泛化能力。

技术框架：NOCE-Net的整体架构包括多补丁变换器编码器用于捕捉循环内的动态，GRU主干用于处理循环间的状态演变。数据管道re-BatteryData则将异构老化数据集标准化为全等效循环（FEC），实现了多种操作模式下的端到端学习。

关键创新：NOCE-Net的主要创新在于其深度嵌套序列模型的设计，能够有效学习电池的操作上下文表示，并在零-shot评估中表现出色。这与传统方法依赖于特征工程的方式有本质区别。

关键设计：NOCE-Net使用了多补丁变换器编码器和GRU的结合，参数设置上使用了较少的参数（40倍减少），同时在损失函数和网络结构上进行了优化，以适应电池操作数据的特点。通过这种设计，模型在电压响应预测中实现了显著的性能提升。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

NOCE-Net在零-shot评估中实现了13.7%的MAPE，显著优于传统长序列基线方法超过43%。此外，该模型在参数使用上减少了40倍，展现了其高效性和优越性。通过对学习到的隐藏状态的形状和组件诊断，验证了其在电池衰退动态编码上的有效性。

🎯 应用场景

该研究的潜在应用领域包括电池健康管理、智能电网和电动汽车等。通过有效学习电池的操作上下文表示，NOCE-Net能够为电池的状态监测和故障预测提供支持，提升电池的使用效率和安全性。未来，该方法有望在更广泛的能源管理系统中得到应用，推动可再生能源的利用和电池技术的发展。

📄 摘要（原文）

Learning effective representations from battery operational history is essential for predictive health management and control-oriented applications. Existing approaches rely on response-dependent engineered features or short early-life windows, limiting generalisability and precluding use in prospective settings where future responses are unavailable. We propose NOCE-Net, a deep nested sequence model that learns control-enabling representations directly from raw cyclic operational or telemetric data. Our data pipeline, re-BatteryData, standardises heterogeneous aging datasets into semantically equivalent Full Equivalent Cycles (FECs) defined by absolute charge throughput, enabling end-to-end learning across diverse operational regimes. NOCE-Net combines multi-patch transformer encoders for intra-cycle dynamics with a GRU backbone for inter-cycle state evolution, operating on approximately $700$ batteries across ten public datasets spanning over $300$ operational profiles. In zero-shot evaluation on unseen battery chemistries and usage patterns, NOCE-Net achieves $13.7\%$ MAPE in voltage response prediction, outperforming strong long-sequence baselines by over $43\%$ while using $40 \times$ fewer parameters. Shape and component diagnostics of the learned hidden states reveal that the GRU's principal direction of evolution achieves Spearman $|ρ| \geq 0.95$ with the capacity fade trajectory on average across all datasets with monotone degradation profiles, including zero-shot test batteries, providing evidence that the representations encode degradation dynamics transferable to downstream tasks beyond battery response modelling. Code is available at https://github.com/BeArnab96/NOCE-Net.