Edge-Optimized Battery SOH Estimation Using LLM-Based Feature Engineering and TinyELM

doi:10.1109/JIOT.2026.3676996

Edge-Optimized Battery SOH Estimation Using LLM-Based Feature Engineering and TinyELM

2026-03-24

0

PRE

AI

DOI：10.1109/JIOT.2026.3676996

原文链接

原文求助

摘要

En 中文

本文提出了一种计算效率高的状态健康（SOH）评估方法。该方法包含两个创新组件：基于大型语言模型（LLM）的提示工程用于特征提取，以及针对边缘优化的极限学习机（TinyELM）用于高效SOH评估。在基于LLM的特征工程中，我们利用GPT-5从原始电压和电流数据自动生成潜在健康指标（HIs），然后选择与目标SOH相关性强的两到四个特征。基于这些特征，我们开发TinyELM作为极限学习机（ELM）的精简优化变体，旨在提高评估精度和在资源受限边缘设备上的可移植性。TinyELM的性能与多个基于深度学习（DL）的模型以及传统ELM模型和基于线性模型进行了比较，比较在三种边缘设备上进行，即STM32、Raspberry Pi 4和Jetson Nano。实验结果表明，TinyELM在SOH评估中达到最先进性能，同时比传统ELM快达28.4倍，比其他线性模型快3倍。此外，结果突显了基于LLM的特征工程的有效性，与传统和自动特征工程方法相比，平均均方根误差（RMSE）降低约五倍。

Keyword:

Extreme learning machine (ELM)

feature engineering

model optimization

state-of-health (SOH) estimation

Edge-Optimized Battery SOH Estimation Using LLM-Based Feature Engineering and TinyELM

摘要

期刊

机构

引用论文