基于物理信息子空间辨识与Transformer学习的锂离子电池健康状态估计

这篇研究创新性地提出了融合物理信息建模（physics-informed modeling）、子空间辨识（subspace identification）和Transformer学习的统一框架，用于锂离子电池健康状态（SOH）估计。通过简化电化学模型提取低维特征，结合多头自注意力机制捕捉长程老化动态，在LiFePO4和LiCoO2电池上实现了<2.06%的跨细胞验证误差，显著提升了传统数据驱动模型在动态SOC工况下的泛化能力。

　　

Highlight

本研究通过整合物理信息建模、子空间辨识和Transformer学习，构建了锂离子电池健康状态（SOH）的统一评估框架。该框架从简化电化学动力学中提取可解释的低阶模型，利用子空间辨识在宽SOC-SOH范围内获取退化敏感特征，并通过Transformer的多头自注意力机制（multi-head self-attention）捕捉长程老化动态。实验表明，该方法在LiFePO₄电池上实现了1.39%的SOH估计误差，并在跨细胞验证中保持2.06%的精度，显著优于传统数据驱动模型。

Physics-informed modeling of lithium-ion battery

基于物理信息的锂离子电池建模

高保真电化学模型（如Doyle-Fuller-Newman模型）虽能精确描述离子传输和界面动力学，但其复杂的偏微分方程（PDEs）导致计算成本高昂。本研究开发的简化状态空间模型，通过单粒子模型（SPM）框架整合容量衰减和SEI层生长等退化机制，在保持物理可解释性的同时显著提升计算效率。

Data-driven subspace identification of battery model

数据驱动的电池模型子空间辨识

通过输入-输出测量数据直接估计系统矩阵，并最小化端电压预测误差来优化内部参数。该方法无需先验电路拓扑知识（如等效电路模型ECMs），即可从动态工况中提取具有物理意义的退化敏感特征，为后续Transformer学习提供高质量输入。

Transformer-based SOH estimation

基于Transformer的SOH估计

针对电池退化非线性和路径依赖特性，设计具有位置编码（positional encoding）的Transformer架构。其多头自注意力机制能自动捕捉不同老化阶段特征间的长程依赖关系，而残差连接和层归一化（layer normalization）则确保训练稳定性，最终实现端到端的SOH映射。

Comparison of SOH estimation methods on experimental dataset

实验数据集上的SOH估计方法对比

与直接处理原始电流-电压序列的LSTM和标准Transformer相比，本框架在LiFePO₄电池上的平均绝对误差降低42%，训练时间缩短67%。跨化学验证显示，其对LiCoO₂数据集同样保持<2.5%的误差，证实了物理信息特征对模型泛化的关键作用。

Conclusions

研究结论

该框架通过子空间辨识提取的低维物理特征，有效解耦了SOC与SOH效应。Transformer在捕捉复杂老化动态时展现出卓越性能，为电池健康管理提供了兼具高精度（误差<2.06%）和低计算成本（训练耗时减少60%）的解决方案。