With the increasing application of lithium batteries, especially battery storage systems (BESS), accurately predicting their remaining lifespan has become an important research topic in the energy field. Compared to traditional batteries, lithium batteries face more complex usage scenarios, especially with varying conditions during charging and discharg- ing, requiring prediction models with greater generality and accuracy. In recent years, some studies have introduced neural networks into lithium battery prediction to more ac- curately simulate their charging and discharging behavior and characteristics. Machine learning methods, including MLPs and LSTM, have made initial progress in predicting two key parameters of lithium battery lifespan: SOH and RUL.

However, due to inherent limitations, existing models still have shortcomings in general- ization ability and decision accuracy. To address these issues, this study proposes a neural network-based Transformer model. Model variants were constructed by adjusting different hyperparameter combinations, and the performance of selected models was evaluated based on MAE, RMSE on a vali- dation set. The Transformer model is compared with MLP and LSTM models, and the performance of different models is discussed.

The results show that the Transformer-based model significantly outperforms MLPs and LSTM models in both the overall and subgroup tests, validating the effectiveness of the proposed method. In summary, this study provides a new approach to Transformer mod- eling for lithium-ion battery BESS applications and compares the application potential of different modeling methods. 

Med den ökande användningen av litiumbatterier, särskilt batterilagringssystem (BESS), har det blivit ett viktigt forskningsämne inom energiområdet att noggrant förutsäga deras återstående livslängd. Jämfört med traditionella batterier står litiumbatterier inför mer komplexa användningsscenarier, särskilt med varierande förhållanden under laddning och urladdning, vilket kräver prediktionsmodeller med större generalitet och noggrannhet. Under senare år har vissa studier introducerat neurala nätverk i litiumbatteriprediktion för att mer exakt simulera deras laddnings- och urladdningsbeteende och egenskaper. Maskininlärningsmetoder, inklusive MLP och LSTM, har gjort inledande framsteg när det gäller att förutsäga två viktiga parametrar för litiumbatteriers livslängd: SOH och RUL.

På grund av inneboende begränsningar har dock befintliga modeller fortfarande brister i generaliseringsförmåga och beslutsnoggrannhet.

För att ta itu med dessa problem föreslår denna studie en transformatormodell baserad på neurala nätverk. Modellvarianter konstruerades genom att justera olika hyperparameterkombinationer, och prestandan för utvalda modeller utvärderades baserat på MAE, RMSE på en valideringsuppsättning. Transformermodellen jämförs med MLP- och LSTM-modeller, och prestandan för olika modeller diskuteras.

Resultaten visar att den transformatorbaserade modellen avsevärt överträffar MLP- och LSTM-modellerna i både övergripande och subgruppstester, vilket validerar effektiviteten hos den föreslagna metoden. Sammanfattningsvis tillhandahåller denna studie en ny metod för transformatormodellering för BESS-tillämpningar med litiumjonbatterier och jämför tillämpningspotentialen hos olika modelleringsmetoder.