基于退化感知特征图的选择性状态空间网络用于快充条件下锂离子电池健康状态估计

《Journal of Energy Storage》：Degradation-informed feature-graph selective state-space network for state-of-health estimation of lithium-ion batteries under fast-charging conditions

　　

-将循环内特征关系与跨循环退化动态联系起来
-退化感知的特征图对特征间的老化关系进行建模
-多尺度Lite-SSM捕获局部波动和长期衰减趋势
-在快充特征扰动下提高SOH估计的稳定性

**引言**

锂离子电池因其高能量密度、长循环寿命和低自放电率，已广泛应用于新能源汽车、储能系统和便携式电子设备中。随着使用时间和循环次数的持续增加，电池不可避免地会出现容量衰减、内阻增长和功率性能退化，这些变化影响电池系统的安全性、可靠性和使用寿命。健康状态（SOH）是描述锂离子电池老化程度和剩余可用容量的重要指标，也为电池管理系统中的安全预警、寿命评估和运维管理提供了关键依据[1]。然而，SOH无法通过传感器直接在线测量，通常需要根据电压、电流、容量、温度和时间等可观测信号进行间接估计。因此，开发准确、稳定且适应性强SOH估计方法仍然是电池健康管理领域的重要研究方向[2]。

快充技术可以显著缩短充电时间，有助于缓解里程焦虑，是推动新能源汽车更广泛应用的重要支撑。然而，快充通常涉及大电流输入，使电池在充电过程中承受更强的电化学和热载荷。与常规充电条件相比，大电流充电更容易加剧内部极化和温升，也可能加速副反应的积累。这些效应会对容量保持率和长期运行安全性产生不利影响[3]。因此，随着快充应用场景的不断扩展，对电池健康和退化程度的准确评估对于电池管理系统的安全控制、寿命预测和运维管理至关重要[4]。

现有的SOH估计方法大致可分为实验测试方法、模型驱动方法和数据驱动方法。实验测试方法通过容量测试、内阻测量或电化学阻抗谱来评估电池老化程度。这些方法可以提供较高的精度，但需要专用设备和完整的测试流程，限制了其在在线估计中的适用性。模型驱动方法包括电化学模型、等效电路模型和经验退化模型，具有良好的物理可解释性，但其性能高度依赖于准确的模型结构和可靠的参数辨识[5]。数据驱动方法直接从测量数据中学习可观测信号与SOH之间的非线性映射，无需显式建模电池内部的电化学过程。因此，它们在复杂工况和实际应用场景中得到了广泛应用。

在数据驱动的SOH估计中，健康特征构建和预测模型设计是两个关键步骤[6]。以往研究从充电时间、电压平台、局部电压窗口、增量容量曲线、微分容量曲线和多阶段充电段中提取健康特征，以描述电池老化过程中的容量衰减和局部响应变化[7]、[8]。针对快充场景，Li等人[9]提出了一种基于BiLSTM-Transformer的方法，学习充电电压特征与SOH之间的时间映射关系。Zhao等人[10]使用迁移学习框架研究了快充条件下的SOH估计。Xia等人[11]从多阶段快充协议中提取局部健康指标，以表示阶段依赖的退化响应。Fan等人[12]进一步结合改进的多段特征提取与Bagging时间注意力网络，并使用等电压时间差、电压变化累积积分、总电路电荷变化和斜率峰值水平作为健康特征。其报告的MAE、RMSE、MAEP和MAXE分别为0.366、0.605、0.519和1.56。这些研究表明，局部充电响应、阶段性变化以及电流切换点附近的特征包含有用的退化信息。然而，大多数方法仍将多维健康特征作为普通向量输入使用，没有显式建模不同特征类别之间的结构化退化关系。

近年来，图神经网络和状态空间模型为电池健康建模提供了新的工具[13]。图结构可以将健康特征、时间片段或电池状态表示为节点，边描述它们之间的关系[14]。Wang等人[15]提出了一种动态图注意力-Transformer模型，将循环内的时间窗口表示为动态图节点，并结合GAT、Transformer和自注意力融合进行多步SOH预测。Fan等人[16]开发了一种时空图注意力网络，用于跨温度条件下的SOH估计。Wu等人[17]将物理信息与时间图神经网络相结合，以提高物理一致性和泛化能力，而Xu等人[18]在基于图的电池容量建模中使用了物理引导特征。Xu等人[19]提出了CR-GLSTM方法，将基于图的关系建模与循环时间编码相结合用于电池容量估计。He等人[20]构建了GCN-LSTM框架，用于多阶段快充短曲线，将电流切换点附近的电压段转换为图并结合GCN和LSTM表示。在序列建模方面，Wang等人[21]将多频率特征提取和稀疏注意力整合到基于Mamba的SOH估计器中，其构建基于Mamba的选择性状态空间架构[22]。Shi[23]引入了MambaLithium，一个用于电池RUL、SOH和SOC估计的开源选择性状态空间实现。Tian等人[24]提出了一种改进的双向选择性状态空间模型iMamba，用于不同充电协议下的SOH估计。即便如此，快充退化包含短期扰动、阶段性变化和长期容量衰减，这些特性很难用单一时间尺度来表征[25]。此外，低平均预测误差本身并不能防止估计轨迹中局部振荡或不真实的恢复现象[26]、[27]、[28]。

总体而言，快充锂离子电池的SOH估计仍面临三大挑战。第一，快充过程中的大电流输入和充电阶段转换使电池外部响应更容易受极化效应、温升和局部测试波动的敏感影响。从这些响应中提取的健康特征，包括充电时间、局部电压窗口、容量增量和微分容量，容易受到噪声、异常值、不一致采样间隔和个别循环异常响应的干扰。当候选特征未经特征选择和鲁棒预处理直接作为模型输入时，冗余和不稳定的特征可能削弱SOH退化信息的表征能力，并降低跨不同电芯的泛化性能。第二，快充退化通常会改变充电时长、电压平台迁移、容量和电压曲线形态以及dQ/dV响应特征。因此，不同类别的健康特征在电池老化过程中会呈现协同变化。然而，传统数据驱动方法通常将多维健康特征直接拼接为普通向量输入，这限制了其显式描述统计响应特征、局部窗口特征和微分容量特征之间结构化关系的能力。第三，快充条件下的SOH演化涉及相邻循环之间的局部波动、阶段性退化变化和长期容量衰减。传统单尺度时间模型通常关注特定时间粒度上的动态，难以有效刻画短期波动与长期退化之间的关系。因此，预测的SOH轨迹可能出现局部振荡、过度恢复或趋势偏差。因此，快充条件下的SOH估计需要一个统一的建模框架，同时考虑稳定的特征输入、特征关系建模和多尺度退化动态。

为解决上述问题，本文提出了一种退化感知的特征图选择性状态空间网络（DIFG-SSM），用于快充条件下锂离子电池的SOH估计。所提方法首先从充电过程构建循环级健康特征，并通过基于相关性的特征排序、Top-K选择和鲁棒预处理生成优化的健康特征序列。然后将优化后的健康特征视为图节点。通过整合统计相关性、特征类别先验知识和任务自适应学习关系，构建退化感知的混合健康特征图，以显式描述不同类别健康特征之间的协同退化关系。基于该图表示，设计多尺度Lite-SSM编码器以捕获快充过程中的短期扰动、阶段性变化和长期退化趋势。此外，还引入具有偏差校准和退化一致性目标的趋势-残差联合预测头，以提高预测SOH轨迹的稳定性和退化合理性。

本文的主要贡献如下：

（1）提出了一个分层SOH建模框架，将循环内健康特征关系与跨循环退化动态联系起来。该框架不再将每个循环视为普通的多维时间向量，而是分别对特征维度上的结构化依赖关系和循环维度上的退化演化进行建模，并在单一预测流水线中将这两种表示方式联系起来。

（2）构建了退化感知的混合健康特征图和多尺度选择性状态空间编码器。混合图结合统计相关性、特征类别先验和任务自适应关系来表征充电健康特征之间的结构化依赖关系，而多尺度Lite-SSM则在不同的循环尺度上提取局部扰动、阶段性变化和长期容量衰减。

（3）所提框架在阶梯快充、常规1C CC-CV充电和一个公开多阶段快充数据集上进行了评估。评估内容包括近期基线方法对比、电芯级泛化能力、单模块和联合消融实验、退化轨迹一致性、特征关系可解释性，以及辅助退化一致性正则化对轨迹稳定性和局部波动保持效果的分析。

本文其余部分组织如下：第2节介绍数据集和充电健康特征的构建；第3节介绍所提DIFG-SSM模型的架构；第4节报告并讨论实验结果；第5节总结全文。

**数据集与健康特征构建**

为构建不同充电条件下SOH估计的统一输入表示，本研究整理了1个私有阶梯快充数据集、1个私有常规1C CC-CV数据集和1个公开多阶段快充数据集。从充电过程中提取循环级健康特征，并通过特征清洗、基于相关性的筛选、鲁棒预处理和滑动窗口构建转换为模型输入序列。模型输入为

**所提DIFG-SSM方法**

在经过第2节所述特征选择、鲁棒预处理和滑动窗口构建后，每个输入样本表示为长度为T、特征维度为K的优化健康特征序列。在本研究中，T和K分别设为24和40，表示使用24个连续循环的40维健康特征来预测窗口末尾循环的SOH。相应地，SOH估计任务可以表述为一个非线性问题

**实验与讨论**

为评估DIFG-SSM在锂离子电池SOH估计中的性能，实验使用第2节所述的优化循环级健康特征。本节首先介绍实验设置、电芯级数据划分策略和评价指标。主要实验和基线对比在数据集A上进行，随后在数据集B和公开数据集C上进行补充的电芯级评估。消融实验、退化轨迹一致性

**结论**

本研究开发了DIFG-SSM用于快充条件下锂离子电池的SOH估计。该框架结合优化的循环级充电健康特征、退化感知的混合健康特征图和多尺度Lite-SSM编码器，以表征循环内特征关系和跨循环退化动态。在输出阶段采用具有偏差校准和退化一致性目标的趋势-残差预测头。在完整的电芯级

**CRediT作者贡献声明**

Zhiwei Ren：撰写 – 原始草稿、软件、方法论、概念化。Pengfei Yang：验证、软件、数据整理。Guohong Gao：撰写 – 审阅与编辑、验证、调查、数据整理。Yuqian Fan：撰写 – 审阅与编辑、监督、资源、概念化。Xin Zhao：撰写 – 审阅与编辑、方法论。Yeeyong Pang：撰写 – 审阅与编辑、监督、项目管理。

**利益冲突声明**

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

**致谢**

本研究得到河南省重点研发项目（261111241400）、河南省重点科技项目（262102211062、262102241039、262102241035、252102241042）的支持。

Zhiwei Ren | Pengfei Yang | Guohong Gao | Yuqian Fan | Xin Zhao | Yeeyong Pang