基于退化先验的频率解耦动态图学习的锂离子电池鲁棒健康状态估计

《Journal of Energy Storage》：Frequency-decoupled dynamic graph learning with degradation prior for robust state-of-health estimation of lithium-ion batteries

　　

• •
  带有退化先验的动态图能够捕捉不断演化的 HI 依赖关系。
• •
  STL 将退化趋势与波动解耦，从而实现差异化的时间建模。
• •
  退化一致性损失在训练过程中对 SOH 轨迹进行正则化。
• •
  在 NASA、CALCE 及 Zhu 等人数据集上取得 0.798% 的平均 MAPE。

引言

锂离子电池由于其高能量密度、长循环寿命和低自放电率，已被广泛应用于电动汽车、电网级储能和工业能源系统中 [1]。随着服役时间的延长和充放电循环的累积，电池内部会逐渐发生不可逆的老化过程，例如活性锂离子的损失 [2]。电池健康监控不准确可能导致故障预警延迟、能量管理不当以及维护决策不可靠，从而影响电池储能系统的安全性和运行可靠性 [3]。因此，开发准确且鲁棒的电池健康监控方法对于提高电池管理系统（BMS）的安全性和可靠性具有重要意义 [4]。

健康状态（SOH），通常定义为当前最大可用容量与额定容量之比，是表征电池老化的核心指标 [5]。然而在实际运行中，SOH 通常无法由传感器直接测量 [6]。此外，由于不同电池之间的材料体系差异以及工况变化，电池运行数据通常表现出显著的非线性以及较强的单体不一致性 [7]。因此，从可测量的充电信号中提取与退化相关的健康指标，并在不同工况下建立鲁棒的 HI–SOH 映射，已成为电池健康监控中的核心问题 [8]、[9]。

现有的 SOH 估计方法通常可分为基于模型的方法和数据驱动方法 [10]。基于模型的方法通常使用电化学模型、等效电路模型或经验退化模型来描述电池老化过程 [11]。尽管这些方法具有较强的物理可解释性，但它们高度依赖准确的参数识别和大量先验假设，从而限制了其在复杂运行场景中的适用性 [12]。相比之下，数据驱动方法可以直接从历史运行数据中学习健康指标与 SOH 之间的非线性关系，因此成为近年来研究的重点 [13]。

数据驱动方法主要包括传统机器学习模型和深度学习模型。诸如支持向量回归、高斯过程回归和随机森林等传统方法通常具有较低的 comput 复杂度 [14]，但当历史运行数据表现出复杂的非线性变化时，其追踪长期退化趋势和捕捉短期波动的能力受到限制 [15]。相比之下，深度学习模型可以从大规模历史数据中自动学习退化模式，展现出更强的时间建模能力和更好的泛化性能 [16]。例如，Kui 等人 [17] 提出了一种融合双向长短期记忆网络、特征映射和残差连接的堆叠深度学习框架，在三个数据集上实现了高精度和强泛化能力。Sun 等人 [18] 开发了一种基于双向门控循环单元和注意力机制的 SOH 估计方法，在三个数据集上展示了高精度、鲁棒性和可迁移性。尽管上述方法取得了令人瞩目的性能，但大多数方法仍然主要关注单个健康特征的时间演化，而忽视了它们之间的交互作用，这限制了互补性退化信息的有效利用。

图神经网络（GNNs）作为显式建模多个健康指标之间依赖关系的有效工具，已逐渐被应用于电池健康状态（SOH）评估 [19]。例如，Luo 等人 [20] 开发了一种特征工程引导的注意力图神经网络（FGNet），将特征提取模块和注意力模块与 GNNs 相结合，以捕捉健康因子与电池 SOH 之间的复杂关系。在 NASA 和 CALCE 数据集上的实验表明，平均绝对误差始终低于 2%。然而，健康指标之间的相互依赖关系会随着电池老化的推进而持续演化，这使得固定的静态图难以捕捉这种动态交互作用 [21]。为了解决这一局限性，Wang 等人 [22] 开发了一种动态图注意力 Transformer（DGAT），使用图注意力网络提取空间特征，使用 Transformer 提取时间特征。实验结果表明，该方法可以有效提高多步电池 SOH 预测的可靠性。然而，尽管动态图结构可以根据输入样本自适应地生成邻接矩阵，但其图拓扑主要通过数据驱动的注意力机制来学习。因此，它们容易受到噪声和样本分布偏移的影响，从而削弱了模型的可解释性和泛化能力。

综上所述，现有的数据驱动方法在电池 SOH 估计方面取得了显著进展，但仍面临以下挑战：

（1）退化先验在动态图构建中的融入不足。当前大多数动态图结构完全以数据驱动的方式生成，没有融入与电池老化相关的退化先验约束。因此，模型可能会学习到由噪声或样本偏移引起的虚假相关边，从而降低预测精度和物理可解释性。

（2）HI 序列中通常混合了长期退化趋势和短期局部波动，且很少使用差异化的时间结构对其进行建模。电池 SOH 退化过程既包含由容量衰减引起的长期退化趋势，也包含由容量再生引起的短期局部波动。如果不区分这些不同频率的退化成分并用定制化的策略对其进行建模，则在复杂退化轨迹下的 SOH 估计精度将受到限制。

（3）电池退化行为仅通过数据拟合来建模。现有的深度学习模型可以学习健康指标与 SOH 之间的复杂映射关系，但无法确保预测结果符合电池退化规律。缺乏与退化相关的正则化会使模型在复杂场景下的泛化能力和工程可靠性受到限制。

为了解决上述问题，本研究开发了一种由退化先验引导的频率解耦动态图学习框架。首先使用 STL 分解将多变量健康指标序列分离为长期退化趋势和短期局部波动；然后将退化先验嵌入动态图构建中，以确保样本自适应性和物理一致性；最后对两个成分进行差异化的时间建模，从而实现准确、稳定和可解释的 SOH 估计。

本研究的主要贡献总结如下：

（1）提出了一种退化先验引导的动态图学习结构，用于建模不同健康指标之间时变的依赖关系，同时抑制由噪声引起的虚假相关性。

（2）构建了一种频率解耦的双分支 SOH 估计框架，将长期退化趋势与局部波动成分解耦并分别建模，从而缓解两者之间的耦合效应。

（3）引入了一种退化一致性引导的训练目标，鼓励模型遵循物理上合理的 SOH 退化轨迹，从而增强其在分布偏移下的鲁棒性。

本文其余部分组织如下：第 2 节介绍所提出的方法。第 3 节描述数据集和实验设置。第 4 节报告实验结果并进一步进行讨论。最后，第 5 节总结本工作。

章节摘要

方法论

本节首先给出所研究问题的形式化描述，然后介绍所提出的退化先验引导的动态图神经网络框架。接着，详细描述退化先验引导的动态图的构建过程，随后介绍退化一致性引导的损失函数。

实验设置

本节首先详细描述实验设计，然后给出超参数确定的策略和结果，最后介绍本研究使用的评估指标。

对比实验

表 4 报告了不同模型在三个数据集上的 SOH 估计结果。总体而言，所提出的方法在大多数测试电池上取得了最低的 RMSE 和 MAPE，并在 NASA、CALCE 和 CY25 数据集上取得了最佳的平均性能。这些结果表明，所提出的方法能够很好地适应不同的电池样本和退化模式，并在跨电池评估中保持稳定的性能。

在 NASA 数据集上，所提出的方法相比……将平均 MAPE 降低了 23.2%。

结论

本研究针对锂离子电池 SOH 估计中多频率退化信息耦合、健康指标之间时变依赖关系以及纯数据驱动模型物理一致性不足等问题，提出了一种退化先验引导的频率解耦动态图神经网络。所提出的方法首先使用 STL 将健康指标序列解耦为长期趋势成分和短期波动成分，并……

CRediT 作者贡献声明

Yiming Wang： 撰写——初稿、验证、软件。Han Liu： 方法学、概念化。Haiqiang Yang： 撰写——审阅与编辑、监督、方法学。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（项目编号：72471107）以及国家级大学生创新创业训练计划（项目编号：202511065051）的资助。

Yiming Wang|Han Liu|Haiqiang Yang