AGLFormer：用于锂离子电池健康状态估计的紧凑特征选择与参数预算感知的全局-局部建 模

《Journal of Energy Storage》：AGLFormer: Compact feature selection and parameter-budget-aware global-local modeling for lithium-ion battery state-of-health estimation

　　

• 提出了一种自适应全局-局部Transformer（AGLFormer）用于锂离子电池健康状态（SOH）估计。
• 参数预算分析刻画了AGLFormer在不同模型容量下的精度-容量权衡关系。
• 消融研究验证了CELA和AMS-FFN的独立贡献及互补性。
• 双相关性排序构造了四个候选特征子集，并识别出具有较高预测精度和高精度可达性的紧凑子集。
• 在CALCE和Oxford数据集上的实验表明，AGLFormer在平均预测性能上优于五个深度学习基线模型。

引言

随着可再生能源技术和电动交通的快速发展，锂离子电池凭借其高能量密度、低自放电率、长循环寿命和灵活的模块化配置，已广泛应用于电动汽车、储能系统和便携式电子设备。作为电池管理系统（BMS）的关键功能之一，健康状态（SOH）估计对于确保电池安全运行、优化能量管理和延长电池使用寿命具有重要意义[1]。然而，在长期的充放电循环过程中，锂离子电池会因电极材料退化、电解液分解、固体电解质界面（SEI）层生长、活性锂损失和内阻增加等原因出现性能衰减，导致可用容量逐渐下降。当电池SOH降至某一水平时，其功率输出能力、安全性和使用寿命可能会受到影响。因此，准确可靠的SOH估计是实现电池全生命周期健康管理以及高级BMS应用的重要基础。

SOH估计的实际价值不仅取决于单一模型配置下所达到的预测精度，还取决于模型在不同容量设置下的表现。网络深度、隐藏维度、计算模块数量等模型配置决定了参数规模，并可能进一步影响SOH预测精度。然而，仅使用单一或有限数量的模型配置进行评估，无法全面刻画不同模型容量范围内的性能变化。因此，应系统研究不同模型容量下的预测精度与性能稳定性，以评估模型在不同参数预算下的适用性。在此背景下，一个同时考虑输入特征紧凑性、预测精度和模型容量的SOH估计框架具有重要的研究意义。

从建模策略的角度来看，现有的SOH估计方法通常可归纳为基于模型的方法和基于数据驱动的方法[2]、[3]。基于模型的方法（如电化学模型和等效电路模型（ECM））通过电化学方程或等效电路结构描述电池的内部状态和外部动态响应，因此具有较好的物理可解释性。例如，Sadabadi等人[4]采用增强型单粒子模型（eSPM）提取循环锂和内阻作为退化指标，从而实现了准确的SOH估计和剩余使用寿命（RUL）预测。类似地，Kong等人[5]开发了一种混合数据驱动单粒子模型，利用过电位表征摇摆工况下的老化过程，显著提高了电化学模型对高倍率放电场景的适应性。而在ECM方面，Li等人[6]提出了一种改进型ECM，从电化学阻抗谱数据中提取老化相关参数，实现了高精度SOH估计，平均均方根误差（RMSE）仅为1.77%。此外，Tran等人[7]通过实验研究了SOH、荷电状态（SOC）和温度对Thevenin等效电路模型参数的影响，并提出了一种经验模型来纳入这些影响，显著增强了模型在不同老化条件下的电压预测精度。然而，电化学模型通常结构复杂、计算效率低，而ECM相对简单、计算效率高，但在描述复杂老化机制方面能力有限。此外，针对不同类型的电池和工况建立准确且通用适用的模型仍十分困难，这限制了基于模型方法在实际中的应用[8]、[9]。相比之下，基于数据驱动的方法直接从历史数据中学习退化相关测量值与SOH之间的映射关系，无需显式构建复杂的电化学机制模型，因此已成为锂离子电池SOH估计领域日益受到关注的重要方向。

基于数据驱动的方法不显式构建复杂的电池机制模型，而是利用历史运行数据来学习电池老化特征与SOH之间的映射关系[10]、[11]。根据模型结构和特征学习机制，现有的数据驱动方法一般可进一步分为传统机器学习方法和深度学习方法[12]。支持向量回归（SVR）[13]、高斯过程回归（GPR）[14]和随机森林（RF）[15]等传统机器学习方法已被广泛应用于锂离子电池SOH估计。

随着电池运行数据的不断积累以及深度学习技术的发展，具有强大非线性建模和特征学习能力的深度学习方法已成为数据驱动SOH估计的重要方向[16]。卷积神经网络（CNN）、长短期记忆网络（LSTM）、Transformer及其混合架构已被广泛用于构建SOH估计模型。例如，Zhang等人[17]提出了一种基于电压弛豫曲线的端到端CNN模型，并结合贝叶斯优化与迁移学习，在有限样本条件下实现了准确的SOH估计。Lin等人[18]系统比较了多种基于部分充电曲线的容量估计方法，结果表明LSTM具有较好的精度和鲁棒性。Yan等人[19]设计了一种集成膨胀残差去噪卷积、旋转位置嵌入和Transformer编码器的混合模型，通过多特征提取和通道注意力机制提升了SOH估计性能。然而，从模型结构的角度来看，现有的深度学习方法仍需要在自适应依赖关系建模、局部退化表征以及不同模型容量预算下的预测性能之间进行权衡。CNN在从充放电曲线中提取局部退化模式方面效果良好，但其对长程依赖关系的建模能力通常受限于卷积核大小和网络深度。LSTM可以通过循环状态传播来捕捉时序依赖关系，但其串行计算限制了并行化，且早期循环信息可能在连续门控更新过程中被削弱或覆盖[20]、[21]。Transformer通过自注意力机制显式计算序列中任意位置之间的依赖关系，为全局退化趋势建模提供了有效工具[22]。然而，标准自注意力通常引入较高的计算和内存开销，并且缺乏显式的局部归纳偏置，这可能不足以表征容量再生、短期波动和随机扰动等局部退化变化。

为缓解上述局限性，现有研究探索了时序卷积网络（TCN）、混合架构、注意力机制和模型压缩等方法用于SOH和RUL预测。例如，基于TCN的模型被用于增强局部时序建模[23]，CNN-LSTM-注意力模型被开发用于捕捉关键历史信息[24]，并且引入了剪枝策略以减少基于注意力的电池寿命预测模型的计算成本[25]。尽管这些方法在时序建模、预测精度和模型压缩方面取得了改进，但现有研究通常仅使用单一或有限数量的模型配置进行评估，因此无法充分揭示不同参数预算下的精度可达性和性能稳定性。因此，有必要系统研究SOH估计模型在不同容量设置下的性能，以评估其在不同参数预算下的适用性。

对于基于数据驱动的SOH估计，估计精度不仅取决于模型的预测能力，还取决于输入特征对电池老化状态的表征能力[26]、[27]、[28]。现有研究通过特征提取、特征融合和特征筛选改进了与SOH相关的输入。例如，Wei等人[29]从微分热电压曲线（DTV）、增量容量分析（ICA）、平均时间衰减（MTD）和终端热分析（TTA）曲线中提取了多种健康特征，并使用主成分分析（PCA）进行特征融合，在保留主要退化信息的同时降低了输入维度。Li等人[30]从充放电电压、电流和增量容量（IC）曲线中提取了多种健康指标，并使用皮尔逊相关系数（PCC）选择与SOH相关的特征。Dai等人[31]从弛豫时间分布（DRT）曲线和等效电路模型参数中提取退化特征，并使用多种相关性分析（包括最大信息系数（MIC）、PCC、Kendall相关、灰色关联分析和斯皮尔曼相关系数（SCC））来确定健康指标的最优数量和组合。Peng等人[11]引入了一种结合熵权和因子的特征融合方法，以减少冗余健康特征信息和数据离散化的影响。

尽管上述研究通过特征提取、筛选和融合改进了与SOH相关的输入，但其主要目标通常是识别或组合信息丰富的特征。相比之下，特征集大小不仅影响最优预测性能，还影响在不同模型配置下达到高精度水平的可能性，这一方面受到的关注相对较少。较大的特征集可能从多个角度表征电池退化，但也可能引入冗余信息，而过小的特征集则可能丢弃有用的退化信息。因此，应在统一特征排序的基础上构建不同大小的特征子集，并从预测精度和精度可达性两个方面对其进行评估。

总体而言，面向部署应用的SOH估计仍有两方面值得进一步考虑。首先，输入特征紧凑性与不同超参数配置下精度可达性之间的关系尚未得到清晰刻画。其次，不同的部署设备可以支持不同的模型参数预算，而现有研究通常仅报告单一或有限数量模型配置的结果，这样的评估无法充分揭示在不同模型容量设置下能否持续达到较高的预测精度。因此，应同时考虑输入特征紧凑性和模型容量适应性，以评估在不同特征规模和参数预算下的SOH预测性能。

为解决上述问题，本研究提出了一种基于自适应全局-局部Transformer（AGLFormer）的参数预算感知SOH估计框架，综合考虑了输入特征紧凑性、预测精度和模型容量。在输入表征阶段，从恒流（CC）和恒压（CV）充电阶段提取统计健康特征。仅使用训练数据计算每个特征与SOH之间的PCC和SCC。然后使用等权整合的相关性得分对候选特征进行排序，并据此构建四个嵌套特征子集，以研究输入特征紧凑性如何影响预测精度和精度可达性。在预测阶段，AGLFormer结合卷积增强线性注意力（CELA）与自适应多尺度前馈网络（AMS-FFN），以表征全局退化依赖关系和局部退化变化。本文所提框架在不同的特征子集和模型容量设置下进行评估，以刻画输入特征紧凑性、预测精度和模型容量之间的权衡关系。本研究的主要贡献总结如下：

1) 开发了一种基于双相关性分析的紧凑健康特征构建与评估策略。仅使用训练数据计算PCC和SCC，并以等权方式整合以获得统一特征排序。基于此排序，构造了四个嵌套特征子集（FS-1、FS-25、FS-50和FS-100），用于评估输入特征紧凑性、最优预测精度和精度可达性之间的关系。

2) 提出了AGLFormer用于SOH预测。CELA用于建模全局退化依赖关系，而AMS-FFN则增强了多时间尺度下局部退化变化的表征。消融实验进一步验证了这两个模块对预测精度和跨电池组泛化能力的独立贡献及互补性。

3) 在CALCE和Oxford数据集上评估了特征子集大小和模型容量的影响。从预测精度和精度可达性两个方面对四个嵌套特征子集进行了比较。随后，在AGLFormer与五个基线模型之间，基于共享的参数预算组进行了比较，以分析预测精度与模型容量之间的权衡关系。

本文其余部分组织如下。第2节介绍了SOH的定义和预测问题、整体框架以及本研究所使用的电池数据集。第3节描述了健康特征提取与选择，包括相关性评分、特征排序和紧凑特征子集构建。第4节详细介绍了所提出的AGLFormer，包括其轻量级卷积设计、CELA、AMS-FFN以及整体模型公式。第5节报告了实验设置和结果，包括特征紧凑性分析、不同SOH估计模型之间的比较、消融实验以及在容量约束下的模型选择与跨电池组性能分析。最后，第6节总结了主要结论并讨论了未来工作方向。

章节片段

SOH定义与预测问题

SOH通常用于量化锂离子电池的老化程度。它可以根据容量、内阻或其他退化相关指标来定义[32]。在本研究中，采用容量来定义SOH，因为容量退化直接反映了电池可用储能能力的下降。

第$i$次循环的SOH计算方式为：

$$SOH_i = \frac{C_i}{C_{rated}} \times 100\%$$

其中，$C_i$表示第$i$次循环时的实测容量，$C_{rated}$表示额定容量。

**健康特征提取与选择**

图2展示了CALCE数据集和Oxford数据集中的电池退化轨迹及充电曲线的演变过程。如图2(a)所示，CALCE电池总体呈现容量衰减趋势，同时伴有局部再生和随机波动，表明电池退化过程中既存在长期变化也存在局部变化。图2(b)和图2(c)中对应的充电曲线显示，随着老化进程推进，恒流（CC）阶段的电压和恒压（CV）阶段的电流均呈现系统性变化。

**面向SOH估计的AGLFormer模型**

在资源受限的BMS和边缘部署场景中，不同平台的可用存储和计算资源、硬件特性、算子支持以及推理后端均存在差异。这些差异促使模型设计需兼顾不同参数量预算下的预测能力，同时优先考虑通用性和广泛支持的计算算子。为移动和边缘平台开发的轻量化架构通常遵循这一设计理念。

**实验**

实验分别在两个公开锂离子电池数据集（CALCE数据集和Oxford数据集）上评估了六种SOH估计模型：LSTM、Transformer、卷积神经网络–Transformer（CNN-Transformer）、iTransformer[45]、ModernTCN[46]以及本文提出的AGLFormer。每个数据集上的评估均按照以下所述的对应训练集、验证集和独立跨电池测试集划分进行。

所有实验均在一台配备第12代处理器的工作站上完成。

**结论**

本研究提出了一种面向部署的锂离子电池SOH估计框架，综合考虑了输入紧凑性、预测精度以及对不同模型容量预算的适应性。从CALCE数据集的恒流（CC）和恒压（CV）充电阶段以及Oxford数据集的恒流（CC）充电阶段中提取了候选健康特征。将PCC和SCC整合为统一的相关性评分用于特征排序。基于该排序，构建了四个嵌套的特征子集。

**CRediT作者贡献声明**

Jian Ouyang：写作——审阅与编辑、监督、项目管理、资助获取、正式分析、概念化。
Sirong Ma：写作——初稿撰写、可视化、验证、软件、方法论、调查研究、正式分析、数据整理。
Yimei Zhu：写作——审阅与编辑、监督、资源。
Ye Hong：写作——审阅与编辑、方法论、资助获取、概念化。

**利益冲突声明**

作者声明，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。

**致谢**

广东省高校重点专项（资助编号：2023ZDZX3008、2025ZDZX3007）及清华大学先进陶瓷与微纳复合材料国家重点实验室（资助编号：KF202424）。

**Jian Ouyang | Sirong Ma | Yimei Zhu | Ye Hong**