一种基于诊断信号生成式重建与全局形态学特征挖掘的退役电池SOH估计数据驱动方法

《Energy》：A data driven approach for SOH estimation of retired batteries based on generative reconstruction of diagnostic signals and global morphological feature mining

　　

- 提出了一种物理引导的Transformer，用于从退役电池评估的快速局部测试中重建完整特征曲线。
- 通过对重建曲线进行SVD提取全局形态特征，以全面表征电池退化。
- 采用一种带层级迁移学习的空间注意力DNN，能够在数据有限条件下对新电池类型实现准确的SOH估计。
- 该方法在四种不同化学体系和退化条件下的电池数据集上实现了低于0.4%的MAPE和高于0.96的R2。

引言

随着全球对温室气体排放和可持续发展的关注日益增加，绿色能源已成为应对环境挑战的关键技术[1],[2],[3]。锂离子电池（LIBs）凭借其寿命长、能量密度高等优势，在交通运输、储能和航空航天等领域的规模化新能源转型中得到广泛应用[4],[5]。然而，由于不可逆的副反应和材料相变，LIBs在运行和长时间使用后会逐渐退化，具体表现为内阻增加和容量衰减，进而导致性能和安全性的下降[6],[7]。通常，当健康状态（SOH）低于某一阈值时，LIBs被认为不适合用于关键应用；例如，当SOH低于80%时，LIBs将从电动汽车（EVs）中退役。预计到2030年，全球每年将产生2亿至5亿公斤（400-1000 GWh）的退役电池[8]。尽管如此，这些退役电池仍具有较高的储能价值。过早废弃和不当处理将导致资源浪费和环境累积污染。因此，如何妥善管理和利用大量退役电池已成为亟待解决的问题。

梯次利用呈现为一种有前景的解决方案。退役LIBs的剩余性能能够满足通信基站、低速车辆和储能电站等低应力运行场景的储能需求[9]。通过对退役LIBs进行拆解、评估、重组和再利用，梯次利用可以充分释放退役电池的剩余价值，并减少与电池生产和回收相关的碳足迹，从而带来显著的经济效益和社会价值[10]。然而，由于历史运行条件各异，退役电池的关键性能指标存在显著差异。即使是来自同一辆车的退役电池，也可能因电芯不一致和模块间电池管理策略差异而在剩余性能上表现出显著差异。因此，为了防止木桶效应损害新重组电池组的安全性和寿命，在梯次再利用前必须基于关键性能指标对退役电池进行评估和分类。在这些指标中，SOH是反映退役电池剩余性能的关键度量，直接决定剩余容量和安全性[11],[12]。准确的SOH评估构成了梯次利用的核心步骤。然而，电池是一个高度复杂的非线性时变系统，使得准确的SOH评估或容量退化轨迹预测极具挑战性。在LIBs的第一生命阶段，针对电动汽车所用动力电池的SOH估计方法已被广泛研究。这些方法主要依赖整个生命周期中积累的历史运行数据来揭示退化规律，从而实现高精度的SOH估计[13],[14]。相比之下，退役电池往往来自多样且未知的来源，具有混合材料体系。此外，它们在第一生命期间经历了高度多变的动态运行条件。由于隐私保护等因素，电池从制造商转移到回收商时，历史运行数据往往不完整或不可用，造成数据缺口困境。因此，已为车辆应用建立成熟的SOH估计方法通常无法直接迁移至退役电池的评估。因此，开发智能评估技术以实现退役电池准确高效的SOH估计仍然是一项重大挑战。

目前退役电池的SOH估计方法大致可分为直接测量法、基于模型的方法和基于数据的方法。直接测量是最直接的方法，涉及完整的标准充放电测试以校准容量或内阻等直接反映电池退化的参数。Schneider等人[15]对三种LIBs依次进行充放电测试和脉冲测试，单次充放电循环的平均测试时间超过2小时。尽管直接测量法能为退役电池提供最准确、最直观的SOH评估，但此类方法测试成本和时间消耗过高。此外，还存在过充或过放的风险，可能损害电池。这些局限性严重削弱了退役电池梯次利用的经济可行性，并使此类方法不适合大规模评估场景。

基于模型的方法通过构建电化学机理模型或等效电路模型（ECM）对电池进行仿真，并采用参数辨识和状态观测等技术来评估退役电池。作为闭环方法，基于模型的方法可通过自校正调整减轻初始状态偏移和测量噪声等不确定性的影响。Ye等人[16]采用双自适应卡尔曼滤波（DAKF），基于ECM交替执行状态估计和参数辨识，实现SOC和SOH在多个时间尺度上的协同估计。Yang等人[17]建立阻抗模型，基于正极材料二次颗粒的裂纹深度和负极表面固态电解质界面（SEI）膜的厚度变化来评估SOH。Wang等人[18]构建二阶ECM并应用遗忘因子递推最小二乘（FFRLS）算法进行在线参数辨识以实现SOH估计，并将研究扩展到退役电池串联和并联连接配置。基于模型的方法具有较强的可解释性，并广泛应用于车载场景中动力电池的状态估计。然而，尽管基于模型的方法能在特定运行条件下实现高精度SOH估计，但此类方法在面对多样化运行条件时通常缺乏泛化能力。需要在线参数辨识方法或模型重新校准来覆盖参数矩阵未涵盖的条件。

近年来，随着人工智能的发展，基于数据的方法因其强大的非线性建模能力而受到广泛关注。基于数据的方法完全基于数据实现，独立于与电化学机理相关的先验知识。相反，这些方法从数据中自动挖掘与电池退化强相关的信息，并通过一系列非线性函数建立映射关系。基于数据的方法通常包括两个步骤，即特征提取和模型构建。在梯次利用的背景下，基于数据方法的研究面临关键挑战，由于退役电池初始状态未知、电池类型异质性以及大批量电池快速评估的成本要求，主要聚焦于特征提取。一些研究利用原始充放电数据进行SOH估计[19],[20]。为确保估计精度，模型必须足够复杂以具备强大的自动特征提取能力，同时输入特征维度或序列长度极大。大数据量和模型复杂度导致计算成本增加。在原始充放电曲线中存在与电池退化强相关的特征。提取此类特征可为退化模型提供高度相关的输入。Lin等人[21]将充电电压曲线划分为25段，以这些段的起点作为特征，基于改进的高斯过程回归（GPR）进行SOH估计。Tao等人[22]从脉冲测试中的电压曲线提取拐点作为特征，并通过数据增强技术进一步扩充，采用随机森林（RF）回归实现退役电池高泛化性的SOH评估。Lin等人[23],[24]将序列数据转换为图像，并结合计算机视觉技术进行特征提取和后续分类评估。此外，信号分析方法，如增量容量（IC）分析和差分热电压分析（DTV）分析[25],[26]，被广泛用于建立宏观信号与微观相变之间的联系，从而获取更能反映电池退化的有效特征。Duan等人[27]基于IC曲线对退役电池进行分选。Gu等人[28]从IC曲线中提取特征，并结合云边协作实现退役电池的高效分选和评估。一些基于先进传感器的特征提取方法也已提出，包括光纤传感[29]、计算机断层扫描（CT）成像[30]、X射线成像[31]、声学传感[32]和电化学阻抗谱（EIS）测试[33]。然而，这些方法通常依赖昂贵的测试设备。尽管基于数据的方法具有实现退役电池高精度评估的足够潜力，但其性能依赖于大量高质量标注数据和有效的特征输入。此外，基于数据的方法在应用于电池类型存在显著差异的场景时，普遍存在通用性有限的问题。

综上所述，尽管许多方法已实现退役电池相对准确和高效的SOH评估，但仍有几项挑战尚未解决。首先，虽然已有成熟的特征提取方法如IC分析，但此类方法通常依赖完整的电池测试程序。同时，退役电池的初始状态通常未知，而许多方法要求测试过程覆盖特定的SOC区间。在大规模评估场景中，全面的校准测试将导致测试成本过高，难以满足效率和经济性要求。其次，信号分析方法在反映电池退化程度方面的有效性已得到充分验证。然而，大多数现有研究仅关注特征曲线中波峰和波谷的变化，未能充分利用整条曲线的完整信息。事实上，电池老化过程中曲线上的每一点都经历连续且系统的变化。此外，在退役电池应用中，随着退化加剧，特征曲线的波峰形状往往变得模糊甚至消失，使基于波峰和波谷提取特征的方法失效。因此，如何充分利用特征曲线的全局形态信息以进一步挖掘退化特征，同时确保特征提取的质量和鲁棒性，仍是亟待解决的关键问题。最后，退役电池来源多样。正极材料和电池规格的差异，以及第一生命期间运行历史的异质性，都对特征提取和SOH评估方法的泛化能力构成挑战。同时，由于退役电池的历史数据缺口问题，在面对新电池类型时，往往难以获得足够的数据来校准或重新训练模型。因此，迫切需要开发一种适用于来源多样、大规模退役电池的通用且高效的方法。

总体而言，在现有的基于数据的研究中，通过信号分析提取统计特征并构建SOH估计模型的技术路线已被广泛采用并被证明有效。然而，如上所述，完整的充放电测试在大规模退役电池评估中面临效率瓶颈，而退役电池未知的初始SOC限制了传统测试程序的适用性。此外，随着退化加深，特征曲线的波峰逐渐衰减，削弱了基于波峰波谷的特征提取方法，而电池类型和规格的多样性也给模型泛化带来了额外挑战。

为解决上述挑战，本文提出一种从快速局部测试片段中重建完整特征曲线的方法，从而提取全局形态特征，有效连接快速局部测试和高精度SOH估计。此外，该方法融合迁移学习策略，以增强其在实际场景中的泛化能力，旨在实现退役电池高效、准确和广泛适用的SOH评估。该方法的核心由四部分组成，包括特征曲线生成式重建、全局高维形态特征挖掘、SOH估计以及跨类型电池迁移适配。在特征曲线生成式重建阶段，执行快速分段测试以收集从随机SOC开始的数据片段。采用包括IC分析和DTV分析在内的两种信号分析方法提取对应的特征曲线片段。

电压序列和特征曲线片段被输入到一个生成式重建模型中，该模型通过序列生成来重建完整的特征曲线，以便进行后续的全局形态特征提取。该生成式重建模型被设计为物理引导的重建Transformer（PGR Transformer），其构建基于标准Transformer[34]的编码器-解码器架构。该模型对分段特征曲线进行编码以提取关键特征信息并建立特征相关性，然后通过解码过程实现完整特征曲线的生成式重建。考虑到电池特征曲线的物理、形态和时间特性，该模型将标准Transformer的标准注意力机制替换为物理引导的交叉注意力机制，使模型能够充分捕捉局部曲线与完整曲线之间物理一致的复杂依赖关系。一方面，双输入序列的明确划分为实现局部片段与全局曲线之间的特征匹配提供了结构基础。另一方面，电压信息作为物理引导和约束在注意力计算过程中被整合，确保重建结果符合电化学连续性原则。最后，在损失函数中添加了物理约束损失，以确保重建的特征曲线符合物理特性。全局高维形态特征挖掘以奇异值分解（SVD）方法为核心构建。通过将完整特征曲线视为高维特征向量，利用SVD对高维特征矩阵进行分解并提取主成分（PC）特征。这种方法充分利用整条曲线的信息来提取反映电池退化的全局形态特征。同时，该方法无需清晰的峰结构，从而提高数据利用效率并增强报废电池评估场景中特征提取的鲁棒性和质量。SOH估计模型基于一个前面接有空间注意力机制（SAM）的深度神经网络（DNN）构建。SAM使模型能够空间性地聚焦于不同退化阶段的关键特征，而DNN有效地捕捉这些特征与电池SOH之间的非线性映射关系。最后，针对实际应用中遇到新型号报废电池的场景，专门设计了一种分层迁移学习策略。通过冻结通用层并使用少量新型号电池的全量测试数据微调自适应层的参数，模型可以快速适应大量同类报废电池的评估。所提出的方法能够基于快速测试片段，同时保持物理合理性和准确性，实现对完整特征曲线的高保真重建，并捕捉反映电池退化的全局形态特征。该方法能够在多种类型的报废电池上实现高精度、强泛化能力的SOH估计，有效解决了数据稀缺和电池异质性带来的评估挑战。本研究为构建高效、准确和具有泛化能力的报废电池SOH评估系统提供了一条切实可行的技术路径，有力支持了报废电池智能分选和梯级利用的发展。本文的主要贡献可以归纳如下，针对上述三个挑战——完整测试效率低、全局特征利用不足和跨类型泛化困难：（1）提出了一种物理引导的生成式重建Transformer模型。基于标准Transformer的编码器-解码器架构，设计了一种物理引导的交叉注意力机制。将与电压相关的物理信息整合到位置编码和注意力权重计算中。同时，在损失函数中纳入平滑度和峰值约束，以确保重建结果的物理合理性和形态准确性。这使我们能够从快速测试片段中对完整特征曲线进行高保真重建，同时保留物理和时间特性，解决了传统Transformer在适应具有明确物理特性的电池特征曲线重建任务方面的局限性。（2）开发了一种用于高维完整特征曲线的深度特征挖掘方法。通过对完整特征曲线形成的高维特征矩阵进行分解并提取主成分（PC）特征，该方法充分利用了嵌入在曲线中的全局形态变化信息。它克服了在严重退化条件下由于峰值形状模糊而导致传统峰谷特征提取方法失效的问题，提高了数据利用率，并增强了特征提取的鲁棒性和质量。更重要的是，当与所提出的物理引导生成式重建Transformer结合时，该方法基于快速局部测试，实现了捕捉反映电池退化的全局形态特征的协同递进效果。（3）构建了用于报废电池SOH评估的数据驱动模型和高效迁移学习策略。采用DNN来捕捉特征与SOH之间的非线性映射关系，并集成空间注意力机制（SAM）以使模型聚焦于关键退化特征。此外，设计了一种分层迁移学习策略，该策略冻结学习通用知识的下层，仅微调负责领域适应的上层。这使得模型能够利用新型号电池少量全量测试数据，高效适应同一批次大量剩余电池的SOH评估。本文组织结构如下：第2节描述数据集和特征提取过程。第3节描述生成式重建模型和SOH估计模型。第4节讨论实验结果。第5节总结本文的主要结论和贡献。章节片段：数据预处理与特征提取。在本节中，首先介绍本研究所使用的数据集的基本信息。然后描述所采用的信号分析和特征提取方法。最后，呈现相关性分析的结果。提取的特征用于后续报废电池的SOH估计。方法。在本节中，介绍了所提出的报废电池评估方法的技术细节，包括生成式重建深度学习模型、SOH估计模型和迁移学习策略。实验设置与评估指标。在验证所提出的模型并进行误差分析时，为了避免不同规格电池额定容量绝对差异对评估结果的影响，采用平均绝对百分比误差（MAPE）和均方根百分比误差（RMSPE）作为SOH估计结果的误差指标，而采用决定系数（R2）作为整体拟合优度指标。对于单个样本，采用相对误差作为误差...结论。本文提出了一种面向报废电池的数据驱动SOH评估方法。通过快速测试结合IC分析和DTV分析，获取具有随机SOC起始点的局部特征曲线片段，并通过序列生成重建完整的特征曲线。生成式重建模型为物理引导的生成式重建Transformer，在标准Transformer架构的基础上构建了物理引导的交叉注意力...CRediT作者贡献声明。Wentao Wang：撰写—初稿、验证、软件、方法。Wei He：可视化、形式分析、概念化。Jianwei Li：资源、资金获取、概念化。Dawei He：撰写—审阅与编辑、项目管理。Danlu Xu：资源、数据管理。Zhiwei Zhao：监督、调查、形式分析。数据可用性。本研究中使用的Oxford数据集、TRI数据集和KIT数据集均公开可用。内部数据集可通过合理请求从通讯作者处获取。利益冲突声明。? 作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文所述的工作。致谢。本工作得到了国家重点研发计划青年科学家项目（批准号：2025YFB2409600）的资助。Jianwei Li | Wentao Wang | Wei He | Danlu Xu | Zhiwei Zhao | Dawei He