基于分段充电数据与物理信息神经网络的锂离子电池健康状态（SOH）通用估计算法

本文提出一种基于部分充电片段（25%–75% SOC区间）的锂离子电池健康状态（SOH）通用估计算法，通过融合统计特征、时频特征与物理机制特征，构建了结合Lasso-Transformer-BiLSTM的物理信息神经网络（PINN）框架。该模型通过动态损失加权机制平衡数据驱动精度与物理一致性，在多种化学体系（LCO/NCA/NCM）、温度及C-rate条件下均表现出优异鲁棒性与泛化能力，SOH估算误差低于1%，为实际电池管理系统（BMS）提供了可解释、可扩展的解决方案。

　　

Highlight

本研究提出了一种创新的SOH估算框架，结合分段SOC区间特征提取与物理信息神经网络（PINN）。通过减少对完整充放电周期的依赖，该方法提升了在多样化操作条件下的泛化能力。针对特定SOC窗口内的短期电压响应进行特征增强，提高了特征的鲁棒性和稳定性，使其非常适合实际电池管理系统（BMS）应用。提出的PINN-LTB架构将深度学习与物理约束相结合，通过动态加权复合损失函数自适应地平衡数据驱动精度与物理一致性，从而显著提升了跨化学体系、温度和C-rate条件的估算性能。

Results and discussion

本节设计了四组实验以评估所提出的PINN-LTB架构的准确性、鲁棒性和泛化能力。4.1节介绍了基于25%–75% SOC区间的分段特征提取策略，并与传统的全曲线方法进行了比较。为了评估在实际约束（如SOC估算不确定性或有限操作窗口）下的鲁棒性，通过随机扰动SOC边界来模拟噪声，并评估特征稳定性。实验结果表明，分段特征在噪声干扰下表现出更高的鲁棒性，且在不同化学体系（LCO、NCA、NCM和混合NCA+NCM）中均保持一致性。此外，PINN-LTB模型在高温条件下仍保持强劲性能，并在跨化学体系、温度和C-rate的迁移学习中展现出卓越的泛化能力。

Conclusions

本研究提出了一种新颖的SOH估算框架，将分段SOC区间特征提取与PINN相结合。通过减少对完整充放电周期的依赖，该方法提升了在多样化操作条件下的泛化能力。针对特定SOC窗口内的短期电压响应进行特征增强，提高了特征的鲁棒性和稳定性，使其非常适合实际BMS应用。所提出的PINN-LTB架构将深度学习与物理约束相结合，通过稀疏特征选择（Lasso）和可学习的非线性经验退化模型，实现了高精度、可解释的SOH预测。动态损失加权机制进一步增强了模型的适应性和稳定性，为实际应用提供了可靠且可扩展的解决方案。