研究背景與問題
隨著電池儲能系統 (Battery Energy Storage Systems, BESS) 的廣泛應用，準確預測電池健康狀態 (State of Health, SOH) 對於電網可靠性與營運成本管理至關重要。現有的深度學習方法在處理電池數據時面臨兩大挑戰：一是難以有效建模長時間序列的複雜依賴關係，二是無法充分捕捉電池多變數之間的交互作用。
模型設計與核心創新
本研究提出 Mamba-Timeformer 模型，一種混合的雙路徑深度學習架構，專門針對 BESS 電池健康狀態預測而設計，該模型的核心創新在於三個方面：第一，時間路徑 (Temporal Path) 採用 Mamba 狀態空間模型，能夠以線性計算複雜度處理長時間序列數據，保持全域建模能力的同時大幅提升計算效率。第二，通道路徑 (Channel Path) 引入多頭注意力機制，專門用於捕捉不同電池變數之間的複雜關聯，使模型能夠理解各變數是如何共同影響電池健康狀態。第三，兩路徑透過一個跨注意力融合機制，能夠智慧地整合時間路徑與通道路徑的互補資訊，克服傳統單一路徑方法的局限性。實驗使用真實的 BESS 運行數據，在多個預測時間範圍（60 至 360 小時）下進行驗證。
Temporal Path
使用 Mamba 狀態空間模型，以線性計算複雜度處理長時間序列。
Channel Path
使用多頭注意力建模電池多變數之間的交互作用。
Cross Attention Fusion
融合時間與通道兩條路徑的互補資訊，支援長期預測。
研究結果
在 360 小時長期預測任務中，研究紀錄的平均絕對誤差為 0.96、平均絕對百分比誤差為 2.72%，均方根誤差為 3.40。這些數值用於評估雙路徑架構在季節變化與使用模式改變下的預測誤差，並作為後續電池儲能系統維護研究的比較基準。
0.96Mean Absolute Error
2.72%Mean Absolute Percentage Error
3.40Root Mean Square Error
Research Figures
