荷电状态对齐双分支学习用于基于碎片化充电数据的可靠跨车辆健康状态预测

《Engineering Applications of Artificial Intelligence》：State of charge aligned dual branch learning for reliable cross vehicle state of health prediction from fragmented charging data

　　

•SOC轴分词技术将碎片化的充电记录对齐到固定的SOC区间，用于跨车辆SOH估计。
•多尺度时序编码捕捉SOC对齐充电序列中的局部和轨迹级模式。
•引入不一致性感知统计分支，以显式刻画电池包级电压和温度离散度。这些紧凑且可解释的特征提供了与宏观充电轨迹互补的退化线索，增强了跨车辆SOH表征。不一致性感知统计分支刻画电池包级电压和温度离散度。
•建立联合点预测与区间预测方案，用于不确定性感知的SOH估计。分位数回归生成输入自适应的预测区间，同时结构性单调性约束避免分位数交叉。共形校准进一步作为后处理步骤，当需要经验覆盖修正时使用。联合点预测和区间预测整合了分位数回归和单调性约束，并可选用共形校准。

引言
随着全球向低碳交通转型，电动汽车（EV）在全球范围内得到日益广泛的部署（Huang等人，2016；Xue和Gwee，2017；Waseem等人，2025）。锂离子电池已成为电动汽车中的主要储能系统，这得益于其高能量密度、长循环寿命和高充放电效率（Hu等人，2020；Wang等人，2021；Herberz等人，2022；Yang等人，2022）。快充技术和电池材料的进步提高了能量密度和充电性能（Li和Wang，2023；Verma等人，2025；Zhang等人，2025）。这些改进有助于缓解用户的里程焦虑。然而，热失控和碰撞后起火等安全事件仍然引发人们对电池可靠性的担忧。因此，准确的电池健康状态（SOH）估计对于安全预警、维护计划、残值评估、梯次利用筛选和寿命终结管理至关重要（Lu等人，2022；Zuo等人，2023；Aery等人，2025；Kang等人，2025）。然而，这一任务仍然极具挑战性。电池老化源于多种电化学退化机制的耦合，包括固体电解质界面生长、活性物质损失和锂枝晶沉积。它还受到温度、充电策略、负载曲线和用户行为的强烈影响（Birkl等人，2017；Guo等人，2023；Gui等人，2025）。这些因素导致实际运行中SOH呈现非线性、条件依赖且车辆特异性的演化特征。

锂离子电池SOH估计方法大致可分为直接测量法、模型法和数据驱动方法（Jing等人，2025）。直接测量方法包括容量测试、安时积分和电化学阻抗谱，这些方法具有明确的物理含义，可在受控条件下提供可靠的参考信息（Ng等人，2009；Jiang等人，2022）。模型法通常使用等效电路模型或电化学模型描述电池动态特性，并结合滤波或参数辨识算法进行状态和参数估计（Wang等人，2023，2024；Gui等人，2025）。例如，Zhu等人（2024）提出了一种三时间尺度双扩展卡尔曼滤波方法，用于联合电池状态和参数估计，在减少不必要的参数更新的同时保持了工程适用性。然而，模型法依赖于模型保真度、参数辨识精度和先验假设。这些依赖性使得跨条件部署具有挑战性（Hu等人，2018；Cai等人，2024）。数据驱动方法学习运行数据与电池健康之间的映射关系，而无需显式构建电化学模型（Liu等人，2024）。Li等人（2024）将健康指标与皮尔逊相关分析和主成分分析相结合，提出了一种改进的蝙蝠算法优化核极限学习机用于SOH估计。Hamed等人（2023）证明了增量容量（IC）曲线对容量衰减的敏感性。Su等人（2026）进一步研究了不完整循环条件下IC特征的选择。这些研究表明了基于特征的机器学习方法的实用性。然而，手工设计的指标和传统回归器可能不足以应对碎片化、噪声大且异构的车队数据。

在实际电动汽车运行中，完整的充放电循环通常难以获得。因此，从部分或碎片化的充电数据进行SOH估计引起了越来越多的关注。现有研究从部分充电片段中提取了退化敏感信息。它们使用了增量容量分析、支持向量回归、部分恒压特征、图卷积网络和CNN-GRU-Attention模型（Zhang等人，2022；Guo等人，2023；He等人，2024；Xia等人，2025）。除了预定义的健康指标外，深度时序模型可以从电压、电流和温度轨迹中自动学习非线性退化表征。这些模型包括Transformer、时序卷积网络（TCN）、卷积神经网络（CNN）和混合架构（Nakano等人，2024；Zhou等人，2025；Wang等人，2026）。相关电池状态估计研究，如HL-HGUR方法，进一步实现了在线SOC和能量状态（SOE）的协同估计（Wang等人，2025）。这些研究表明部分充电轨迹包含有用的SOH相关信息。然而，在现实车队场景中，这些轨迹的跨车辆可比性仍未得到充分解决。

在实际车队中，碎片化充电通常与跨车辆异质性耦合在一起（Liu等人，2025）。车辆在充电策略、环境温度、热管理行为、里程积累和用户习惯方面存在差异。这些因素改变了电压、电流和温度轨迹，但不一定反映内在的容量退化（Deng等人，2023；Wen等人，2024；Le等人，2026）。因此，在一组车辆上训练的模型可能学习到与退化无关的模式，并在未见车辆上表现出精度下降。迁移学习和域适应（Li等人，2026）已被引入以减轻电池和运行条件之间的分布偏移（He和Wu，2023；Yu等人，2026）。然而，这些方法主要对齐特征分布或模型表征。它们并未解决碎片化充电片段固有的时间坐标不匹配问题。在时间域中，退化响应可能与充电持续时间、采样频率、初始SOC、终端SOC和电流控制策略交织在一起。将充电轨迹表示在统一的SOC轴上，可以通过将观测值对齐到相同的SOC区间来实现在不同车辆和充电片段之间的比较。这可以在输入表征层面改善跨车辆可比性。

电池包内部不一致性是影响实际SOH估计的另一个重要因素。电池包由许多串联或并联连接的单体组成。在长期运行过程中，单体之间的容量、内阻、电压响应和热行为差异不断积累。这些差异表现为电压离散度、温度不均匀性和局部异常响应（Tian等人，2024）。Tang等人（2022）利用均衡电流比估计电池包SOH并表征串联单体之间的健康差异。Wen等人（2024）和Li等人（2025）将多维运行特征引入实际电池包SOH估计框架。他们的工作表明，宏观充电行为和电池包内部状态差异都与健康预测相关。然而，许多数据驱动SOH模型仍然主要依赖宏观充电轨迹或手工设计的指标。它们并未显式建模电压和温度离散度中包含的互补退化线索。

对于车队管理，仅靠SOH点预测不足以应对风险敏感型任务。这些任务包括维护计划、安全预警、保修评估和梯次利用筛选。这些任务既需要准确的SOH估计，又需要可靠的预测不确定性信息。已有多种不确定性量化方法用于电池健康预测。高斯过程回归通过贝叶斯非参数推断提供预测均值和不确定性。多项式混沌展开分析输入扰动向模型输出的传播（Xiu和Karniadakis，2002；Yang等人，2018）。区间预测也被用于描述测量误差和运行扰动下的不确定性。Wu等人（2025）将灰色数理论与优化的核极限学习机相结合，生成SOH预测区间。Hu等人（2026）提出了LD-MTKD框架，结合分位数回归实现锂离子电池RUL的轻量化区间预测。分位数回归在无需假设固定高斯误差分布的情况下估计条件预测区间。共形化分位数回归可以进一步调整经验覆盖度，前提是存在代表性的校准集（Koenker和Bassett，1978；Romano等人，2019）。然而，由于误差分布可能因车辆、充电协议、温度条件和SOC区间而异，跨车辆SOH预测的可靠不确定性量化仍然具有挑战性。因此，面向车队的SOH框架应联合提升异构运行条件下点预测精度、区间可靠性和区间锐度。

上述研究表明，部分充电片段、健康指标、深度时序模型和不确定性感知预测对电池健康估计具有实用性。然而，在现实车队SOH预测中，仍有三个问题尚未得到充分探索。第一，时间域建模可能将与退化相关的响应与充电持续时间、采样频率和控制策略的变化交织在一起，从而降低跨车辆可比性。第二，大多数方法主要依赖电池包级电压、电流和温度轨迹或预定义指标，因此可能未能利用单体间电压和温度离散度中包含的互补退化线索。第三，仅靠点预测无法满足需要可靠且锐度高的预测区间的风险敏感型应用。

为解决这些问题，本文提出了一种SOC对齐的双分支学习框架，利用碎片化的电动汽车充电数据进行跨车辆SOH点预测和区间预测。该框架将不规则的充电片段从时间域映射到SOC域并构建掩码感知的词元序列。然后，多尺度时序分支用于提取局部退化敏感的响应变化和全局老化趋势，而不一致性感知统计分支则纳入电池包级电压和温度离散度信息。最后，结构性约束单调分位数回归生成有序的预测区间，并在需要经验覆盖修正时应用共形校准。

本文的主要贡献总结如下。
（1）针对碎片化电动汽车充电数据提出了一种SOC轴分词策略。不规则的充电记录被映射到固定的SOC区间，并通过掩码感知机制进行聚合。这种表征改善了来自不同车辆的充电片段的可比性，减少了充电持续时间不匹配和采样频率不一致的影响。
（2）开发了一个多尺度时序编码分支，用于从SOC对齐的充电序列中学习退化相关模式。该分支在多个SOC词元尺度上建模相同的充电片段，使模型能够捕捉局部退化敏感的响应变化和轨迹级老化模式。这些能力增强了模型在噪声大且异构的运行条件下的鲁棒性。
（3）引入了一个不一致性感知统计分支，以显式刻画电池包级电压和温度离散度。这些紧凑且可解释的特征提供了与宏观充电轨迹互补的退化线索，增强了跨车辆SOH表征。
（4）建立了一种联合点预测与区间预测方案，用于不确定性感知的SOH估计。分位数回归生成输入自适应的预测区间，而结构性单调性约束避免了分位数交叉。共形校准进一步作为后处理步骤，当需要经验覆盖修正时使用。

本文其余部分组织如下。第2节介绍数据集、预处理程序、SOH标签构建、SOC对齐词元序列构建和不一致性特征提取。第3节提出所提出的双分支模型、多尺度时序编码策略、分位数预测方案和共形校准程序。第4节报告实验方案、超参数设置、消融研究、表征分析、采样和SOC不确定性下的鲁棒性分析、对比实验、不确定性可靠性评估和模型复杂度分析。第5节总结全文并讨论局限性和未来工作。

各章节摘要

数据准备与特征工程
本节介绍本研究中使用数据集、预处理程序和特征工程策略。首先，描述两个真实世界车队充电数据集和SOH标签构建过程。然后，开发SOC对齐的表征，进行时序通道筛选，并提取不一致性统计特征以供后续模型输入。

方法论
基于第2.2节构建的SOC对齐时序序列和提取的不一致性相关统计特征，开发了一种端到端的多尺度双分支框架用于跨车辆电池SOH预测。统计分支将电池包级不一致性信息编码为互补且可解释的表征。通过整合这两个分支，所提出的框架产生了SOH点估计和预测区间，从而能够

实验方案与超参数设置
所有实验均在配备NVIDIA GeForce RTX 4090 D GPU和13代Intel Core i9-13900K CPU的工作站上完成。模型使用Python 3.8和PyTorch 2.0.1（含CUDA 11.7）实现。NVIDIA驱动版本为591.86，报告支持CUDA 13.1。在模型训练过程中，SOH标签除以100，在评估时转换回百分比尺度。SOC词元时序矩阵使用仅从训练集估计的稳健统计量进行逐通道归一化。

结论
利用碎片化电动汽车充电数据进行跨车辆SOH预测会受到时间坐标不匹配、电池包级不一致性信息利用不足以及分布偏移下不确定性估计不可靠的影响。为缓解这些挑战，本研究提出了一种SOC对齐的双分支端到端框架。该框架整合了SOC轴表示对齐、多尺度时序学习、不一致性感知统计建模和区间预测。通过将

CRediT作者贡献声明
钱永旭：撰写—审阅与编辑，监督，资源获取，项目管理，方法论，调查研究，概念构思。

Yiting Li：撰写 – 审稿与编辑，撰写 – 初稿，可视化，验证，方法论，研究调查，数据管理。
Haisong Huang：撰写 – 审稿与编辑，指导，资源，项目管理，研究调查，资金获取。
Da Yang：撰写 – 审稿与编辑，指导，项目管理，研究调查。
Jiakang Li：利益冲突声明

作者声明他们不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

本工作得到贵州省重点科技研发计划 [2025] 一般 018、贵州省基础研究计划 [2024] 青年 185、国家自然科学基金委员会（项目编号：52165063 和 52575566）以及贵州省科技项目（QKHCG-LH [2024] ZD No.017、QKHCG DXGA [2025] No.002、QKHZC DXGA [2025] No.008、QKHZC [2024] No.093、QKHPTRC-CXTD [2023] No.007、QKHZC [2023] No.348、QKHZC [2023] No.309、QKHPTRC-GCC [2022] No.066-1）的资助。

Qianyong Xu|Yiting Li|Haisong Huang|Da Yang|Jiakang Li