《Sustainable Energy Technologies and Assessments》：UltraFlux IDM-Learn: Decoupling operating-condition variability from intrinsic battery degradation under non-stationary fast charging
编辑推荐：
``
•
IDM-Learn 将运行条件与电池内在退化分离，以实现稳健的锂离子电池健康状态跟踪。
•
通过条件感知的序列编码，将不可逆容量衰减与瞬态动力学极化区分开来。
•
热力学不可逆性和多尺度动力学连续性作为退化路径的拓扑正则化器。
•
异构的
``
- •
IDM-Learn 将运行条件与电池内在退化分离，以实现稳健的锂离子电池健康状态跟踪。
- •
通过条件感知的序列编码，将不可逆容量衰减与瞬态动力学极化区分开来。
- •
热力学不可逆性和多尺度动力学连续性作为退化路径的拓扑正则化器。
- •
异构的多步快速充电路径被映射到一个统一的、受物理约束的退化流形上。
- •
与基线相比，IDM-Learn 将均方根误差 (RMSE) 从 5.57% 降低到 0.71%，平均绝对误差 (MAE) 从 4.44% 降低到 0.51%，相对性能指数 (RPE) 从 35.71% 降低到 0.79%。
引言
在动态的真实世界条件下准确感知锂离子电池的健康状态 (SOH) 对于确定其是否仍将是大规模电气化运输和可持续电网存储的关键瓶颈至关重要[1]。在实际应用中，电池不断受到变化剧烈的快速充电协议和波动的电热环境的影响，这会导致其寿命轨迹出现显著的宏观变化。现有的数据驱动预测方法，从序列递归网络到基于注意力的标准架构，主要通过将容量估计视为一个通用的、无约束的统计回归问题来获得更准确的信息。然而，从多个角度进行观察可以帮助确认这些黑箱模型在本质上将不可逆的热力学变化与可逆的、由条件引起的动力学极化混在了一起[2]。
然而，当电池的可靠性和经济性直接面临高度异构的运行压力时，传统的深度学习模型由于局部瞬态噪声的存在而不可避免地威胁到能源安全并导致过拟合[3]。这种结构上的脆弱性从根本上导致了更频繁和更严重的非物理轨迹振荡，特别是在外推部署期间，增加了认知上的不确定性并造成了严重的领域转变。为了填补这一根本性差距，我们提出了一种有前景的解决方案，即将电池的路径依赖性老化不仅仅视为一个统计时间序列，而是视为一个受物理定律控制的连续拓扑转变。在这里，我们提出了内在退化流形学习 (IDM-Learn) 框架，这是一个由物理原理引导的通用架构，旨在明确提取这种潜在的热力学特征[4]。
IDM-Learn 本质上实现了这种潜力，并将条件感知的多尺度依赖性建模与严格的热力学流形正则化相结合，能够动态地将真实的容量衰减与不稳定的、由充电引起的动态错觉区分开来。该框架已被证明在跨高度异构的多步快速充电群体中进行评估时面临重大挑战[5]、[6]、[7]。此外，可以选择一个特定区域，在该区域中可以稳健地提供关于将不同的退化行为映射到统一的内在流形坐标上的直接信息，同时保持出色的统计保真度 (p值 = 0.9893)[8]、[9]、[10]。
之前的电池流形学习研究探索了特征压缩、知识转移和几何健康指标构建。IDM-Learn 结合了可变形注意力 (Deformable Attention)、PyramidSSM 和门控融合 (Gated Fusion) 来学习多分辨率下的自适应时间表示。它的贡献在于这些机制在非静态快速充电条件下协调整合用于健康状态估计 (SOH)。
最近的 SOH 估计方法，包括 CMFCre-DIPINN 和 RCMHCRE-BatteryPINN，将基于熵的特征提取与退化信息神经网络相结合。CMFCre-DIPINN 使用恒流充电时的电压段，而 RCMHCRE-BatteryPINN 从电压和电流信号中提取特征，并将 SEI 生长约束纳入网络训练中。这些方法与 IDM-Learn 一样，关注将退化知识纳入 SOH 估计中。IDM-Learn 通过自适应注意力、多分辨率状态空间建模和门控特征融合来专注于条件感知的序列表示学习。
这种拓扑约束的公式设计用于减轻误差积累并支持 SOH 轨迹重建。其在中间寿命阶段的诊断适用性取决于可用的历史输入和初始化程序，需要进一步验证[11]、[12]。最终，将混乱的多模态遥测数据明确映射到一个受边界约束的物理流形中，可以全面准确地描述如何与一个严格可解释的计算范式相结合，以实现条件无关的电池管理和快速二次寿命分类[13]、[14]。
当代数据驱动范式的根本局限性在于它们依赖于表面特征提取和隐式的动态处理（表 1）。由于动态运行剖面的全面影响，它们本质上促进了广泛电压和电流特征之间的关系，并且难以将内在容量衰减与严重波动区分开来[15]、[16]、[17]。我们提供了一种条件感知的退化流形学习框架，从根本上克服了这些瓶颈。总之，IDM-Learn 将电池退化过程概念化为一个低维流形内的连续拓扑转变，而不是强制进行直接回归[18]、[19]、[20]。
本研究的主要贡献是将可变形注意力 (Deformable Attention)、PyramidSSM 和门控融合 (Gated Fusion) 协调整合到非静态快速充电条件下的 SOH 估计中。这些模块分别提供了输入自适应的注意力、多分辨率状态空间建模和自适应特征融合，详见 3.3 可变形注意力、3.4 PyramidSSM、3.5 门控融合、3.6 模块连接部分。表 2 中的架构消融实验研究了不同模块配置对预测性能的影响。IDM-Learn 旨在通过学习的表示来区分与退化相关的趋势和运行条件的变化。我们使用受控温度比较、与独立测量的退化指标的关联以及扰动-恢复测试来评估这种解释。这些评估研究了估计组件对老化和工作条件的响应。
章节片段
IDM-Learn 框架概述
传统的基于数据的范式通过将 SOH 估计视为一个局部的、暴力回归问题来提高准确性，但这并不是一种有效的方法，因为这在进行训练时试图直接将高度波动的表面特征映射到健康指标上[21]、[22]、[23]。通常，这种方法会导致无法保持电池老化的连续几何结构，从而对性能产生严重影响
方法
有大量研究专注于评估该框架提取内在退化流形的 capability，从多个角度进行的观察可以帮助确认，在使用受到高度异构和非静态运行条件影响的电池群体时，考虑到多种不同效应的重要性
讨论
在高度随机的真实世界运行条件下准确可靠地估计电池健康状态仍然是可持续电气化的一个严峻瓶颈。为了支持这项工作，我们开发了一种从经验性黑箱回归到内在拓扑学习的电池预测方法。IDM-Learn 框架明确使用了一个无缝的综合性数据库，并将不可逆的热力学容量衰减与瞬态的、由条件引起的动力学效应区分开来
CRediT 作者贡献声明
Deqi Hong： 写作 – 审稿与编辑，编写 – 原始草稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，正式分析，数据整理，概念化。Zhihong Wu： 概念化。Junkai Yu： 概念化。Yong Zhang： 资金获取，数据整理。Hong Zhao： 资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
这项工作得到了国家自然科学基金 (22075035)、四川省科技教育联合基金项目 (2025NSFSC2057)、辽宁省科技规划项目 (2020JH2/10700008)、大连市科技基金会 (2022JJ11CG005) 和辽宁省教育厅基金会 (LJKFZ20220204) 的财政支持。
Deqi Hong|Zhihong Wu|Junkai Yu|Yong Zhang|Hong Zhao```
