基于多源域对抗迁移学习的电动汽车电池健康状态无监督估计框架

本文提出一种基于对抗引导多源域自适应网络（AG-MDAN）的电池健康状态（SOH）无监督估计方法。通过峰值特征提取法和多时间尺度最大均值差异（MT-MMD）技术，有效解决实车运行数据稀缺条件下的锂离子电池容量衰减评估难题，在无目标域标签情况下实现平均最大误差低于2.16%的精准预测。

　　

Highlight

本研究提出创新性对抗引导多源域自适应网络（AG-MDAN），突破传统方法对目标域标签数据的依赖，通过多时间尺度分布对齐技术和通用化特征提取模块，实现跨车型电池退化行为的精准迁移与融合。

Data acquisition and processing

为探究新能源汽车多源域迁移模型的SOH估计问题，我们选用Deng等人提供的包含20台商用电动出租车电池包充电数据的数据集。车辆型号为北汽EU500，配备宁德时代镍钴锰（NCM）三元锂电池，额定容量145Ah，电池包内采用90节串联电芯和32个温度传感器。车辆运行时间覆盖2019年3月至2020年1月，采集数据包含电压、电流、温度等实时传感器读数及车辆运行状态信息。

Available capacity calculation

为估算电池SOH，需优先获取容量基准。在实验室可控环境下可通过专用设备测量特定循环周期（标记为C_n）的参考容量，即从上截止电压放电至下截止电压的容量值。然而实车使用场景中电池常处于非完整循环工作状态，放电过程受驾驶工况、环境温度及电池管理系统策略等多因素影响，导致直接容量测量难以实施。本研究通过峰值特征法从部分充电曲线中提取与电池老化强相关的特征参数，建立与实际容量的映射关系。

Experimental platform and quantitative evaluation

硬件平台采用英特尔酷睿i7-13650HX处理器与英伟达GeForce RTX 4060显卡，研究模型基于Python 3.11环境和PyTorch深度学习框架实现。为评估AG-MDAN模型性能，采用五个量化指标：平均绝对误差（MAE）、均方根误差（RMSE）、最大误差（AE）、平均绝对百分比误差（MAPE）及确定系数（R2），全面衡量模型预测精度与稳定性。

Conclusion

针对无标签锂电池容量估计难题，特别是现有方法对新车型适用性不足的痛点，本研究提出基于多源域迁移的SOH估计框架。该框架包含通用化车辆特征提取模块和AG-MDAN网络两大核心组件，通过从部分运行数据中提取周期老化特征，验证其与电池实际容量的强相关性，为新能源汽车电池健康管理提供创新性解决方案。