用于跨域锂离子电池健康状态估计的分布感知多源域自适应

《Journal of Energy Storage》：Distribution-aware multi-source domain adaptation for cross-domain lithium-ion battery state-of-health estimation

　　

本文提出了一种用于跨域锂离子电池SOH（健康状态）估计的分布感知多源域自适应加权框架（MDGWF），其核心思想是通过解耦共享退化表示与源域特有老化模式，并根据目标域分布相似度自适应分配各源域贡献来缓解负迁移。该框架由公共特征提取器、共享SOH估计器、多个源域专用估计器及基于MMD的自适应源加权机制组成，在NASA、CALCE和同济大学数据集上的实验表明，该方法较代表性域自适应方法实现了更准确稳定的SOH估计，平均RMSE降低65.2%。

引言

锂离子电池凭借其高能量密度、长循环寿命和低自放电率，已广泛应用于电动汽车、储能系统、消费电子及电动化设备中[1]、[2]。然而，在长期运行过程中，受循环工况、温度变化和电化学老化等耦合作用影响，电池不可避免地出现容量衰减、内阻增大和功率能力下降等问题[3]。SOH是量化电池退化程度和评估电池剩余可用容量的关键指标[4]。因此，准确的SOH估计对于电池管理系统至关重要，它支持退化监测、维护计划、运行安全和服务寿命延长[5]、[6]、[7]、[8]。由于SOH无法通过车载传感器直接测量，必须从电流、电压、温度及容量相关特征等可测信号中推断[9]。

早期的SOH评估主要依赖在实验室条件下进行的标准充放电测试[10]、[11]。虽然这些测试能够提供可靠的容量测量，但耗时较长，难以应用于在线场景。为克服这一局限，大量研究聚焦于基于日常电池运行数据的数据驱动SOH估计方法。现有方法可分为两类：人工设计特征的方法和自动特征学习方法[12]、[13]。前者从电气[14]、[15]、[16]、热[17]、[18]或机械信号[19]、[20]中提取退化敏感特征，然后通过回归模型、机器学习算法或概率模型建立这些特征与SOH之间的映射关系。后者利用深度神经网络从原始或预处理后的电池时序数据中自动学习潜在退化表示，从而减少对专家设计特征的依赖[21]、[22]、[23]、[24]、[25]。尽管效果显著，大多数数据驱动方法严重依赖大规模带标注老化数据进行模型训练和参数标定。更重要的是，这些方法通常假设训练数据和测试数据服从相似分布。然而在实际应用中，不同电池在化学体系、额定容量、制造批次、充放电协议、环境温度和老化轨迹等方面可能存在显著差异。这种跨域偏差严重削弱了传统SOH估计模型的泛化能力。

迁移学习通过将历史源电池中获得的退化知识迁移至标注数据有限的目标电池来解决这一问题[26]、[27]。单源迁移学习使用一个完整老化的电池数据集作为源域，由于其结构简单且部署成本较低，是最常用的策略。现有单源迁移方法包括域自适应、参数微调、特征表示迁移和实例加权。域自适应方法利用最大均值差异或对抗学习等度量来减少源域与目标域之间的分布差异[28]、[29]。参数微调方法利用少量标注目标域数据将预训练模型适配到目标电池[30]、[31]。特征表示迁移方法将源域和目标域数据投影到公共潜空间以提取域不变退化特征[32]。实例加权方法增加与目标域更相似的源样本贡献，同时抑制相关性较弱的样本[33]、[34]、[35]。然而，单源迁移学习受限于单一源域的知识覆盖范围。负迁移是指在知识迁移后目标域预测性能反而下降的现象，其产生原因是源域与目标域之间存在严重的分布不匹配。当所选源电池与目标电池差异较大时，迁移的知识可能产生偏差甚至有害，从而导致负迁移[36]、[37]、[38]。

多源迁移学习通过整合多个异构源域的退化知识提供了一种有前景的解决方案。与单源迁移相比，多源迁移可以覆盖更广泛的老化模式、工况和电池类型，从而提供更丰富的可迁移知识[39]。现有多源方法主要包括多域联合自适应[40]、[41]、多源对抗学习[42]、[43]、元迁移学习[44]、[45]和域泛化[46]、[47]。这些方法试图从多个源域中学习可迁移表示，提升SOH估计模型对未见或稀疏标注目标电池的适应性。然而，多源迁移也带来了新的挑战。首先，不同源域可能包含相互冲突的退化模式，直接合并可能会放大分布噪声。其次，全域对齐可能会过度抑制对某些目标电池有用的源域特有老化特征。第三，对所有源域一视同仁忽略了不同源电池对给定目标电池具有不同相关性这一事实。因此，无关或弱相关的源域可能主导迁移过程，导致隐式负迁移。因此，多源电池健康估计的关键挑战不仅在于如何提取共同退化知识，还在于如何保留源域特有老化信息并自适应确定各源域对目标域的贡献。

为应对这一挑战，本文提出了一种用于跨域锂离子电池SOH估计的分布感知多源域自适应加权框架。核心思想是通过解耦共享退化表示与源域特有老化模式，并根据目标域分布相似度自适应分配源域贡献来缓解负迁移。具体而言，首先构建共享卷积特征提取器以从异构源电池中学习公共退化表示。在此基础上，使用共享估计器捕获跨域退化趋势，同时引入多个域专用估计器以保留源域相关老化特征。在目标域适配过程中，利用最大均值差异来量化目标域与各源域在潜特征空间中的分布相似度。随后根据相似度权重自适应融合不同估计器的输出，使与目标电池相关性更强的源域对SOH预测贡献更多，而相关性较弱的源域则被抑制。最后，利用少量标注目标域数据进行轻量微调，使模型更好地匹配目标电池退化行为，而无需重新训练整个多源框架。

本文的主要贡献总结如下：

（1）该框架能够同时捕获异构电池数据中的共享和源域特有退化信息。多源电池数据集包含可迁移的退化规律以及源域相关老化行为。为同时建模这两类信息，本文构建了由公共特征提取器、共享估计器和多个域专用估计器组成的共享-个性化SOH估计框架。该设计避免了简单源域合并导致的特征稀释，同时保留了有用的源域特有退化知识。

（2）加权机制根据目标域相似度自适应分配源域贡献。并非所有源电池对给定目标电池都同等相关，弱相关源域甚至可能降低估计性能。为缓解这一负迁移效应，本文引入了基于MMD的加权机制，用于衡量目标域与各源域在潜特征空间中的分布相似度。距离目标电池更近的源域被赋予更大贡献，而相关性较弱的源域则被抑制。

（3）适配策略利用有限的目标域标注数据提升了目标电池SOH估计。对于新的目标电池，重新训练整个多源模型在计算效率上很低，且不适用于实际的电池管理应用。在本文中，预训练的公共特征提取器和源域估计器被复用，仅使用有限的目标域标注数据进行估计器级别的适配。在NASA、CALCE和同济大学数据集上的实验表明，该方法较代表性域自适应方法实现了更准确、更稳定的SOH估计。

本文其余部分组织如下。第2节介绍所提出的方法，第3节展示实验结果和性能分析，第4节对全文进行总结。

2.1 提出框架概述

所提出的MDGWF框架针对异构多源迁移场景下的跨域锂离子电池SOH估计而开发。如图1所示，该框架由三个顺序阶段组成：标准化Q-V表示构建、共享-个性化多源学习和分布感知目标域适配。在第一阶段，从不同电池数据集中提取放电Q-V曲线并转换为统一模型输入。

2.2 增量数据集与多源迁移任务

为评估所提出MDGWF框架的跨域SOH估计能力，本研究使用了四个异构电池老化数据集。如图3所示，这些数据集分别来自NASA Ames预后卓越中心[48]、马里兰大学CALCE先进生命周期工程中心[49]、[50]以及同济大学[51]。其中包括NASA数据集、CALCE CS系列、CALCE CX系列和同济大学TJA数据集。

结论

本文提出了一种名为MDGWF的分布感知多源域自适应框架，用于跨域锂离子电池SOH估计。核心思想是通过解耦共享退化表示与源域特有老化模式，并根据目标域分布相似度自适应分配源域贡献来缓解负迁移。具体而言，所提出的框架集成了公共特征提取器、共享SOH估计器和多个源域专用估计器……

CRediT作者贡献声明

Jiahuan Lu：写作—审阅与编辑、方法论、资金获取、概念构思。
Jianfu Ma：写作—原稿撰写、方法论、调查研究。
Yuhang Xu：调查研究。
Quanqing Yu：写作—审阅与编辑、指导。
Chun Wang：写作—审阅与编辑、指导。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所报告工作的客观性。

致谢

本研究得到国家自然科学基金（批准号52407246和52677269）、广东省基础与应用基础研究基金（批准号2025A1515010354）以及广东省科技协会青年科技人才支持计划（批准号SKXRC2026749）的资助。

Jiahuan Lu | Jianfu Ma | Yuhang Xu | Quanqing Yu | Chun Wang