基于随机短时充电数据的不确定性感知半监督学习，实现实际电动汽车电池组的数据高效老化诊断

《Energy》：Data-efficient battery pack aging diagnosis in real-world electric vehicles via uncertainty-aware semi-supervised learning using random short charging data

　　

•基于不确定性感知半监督学习的数据高效电池老化诊断
•预测不确定性和自适应专家融合提高了伪标签可靠性
•物理信息驱动的IC窗口特征缓解了电池组内单体不一致性
•仅使用10%标记的短充电数据实现电动汽车老化诊断

**引言**

在全球碳中和目标和可再生能源支持政策的推动下，电动汽车已成为低碳交通的重要途径[1]。作为电动汽车动力系统的核心储能部件，锂离子电池因其高能量密度、长循环寿命、低自放电率和无记忆效应而被广泛应用[2]。电池的运行条件与车辆功率需求、能耗及热行为密切相关。近期研究表明，驾驶条件的变化会显著改变纯电动汽车的能量流和电池负载[3]，这进一步强调了可靠的电池健康评估对能源管理和安全运行的重要性。然而，在车辆长期实际运行过程中，锂离子电池不可避免地会因复杂的电化学反应和多变的使用工况而发生不可逆的内部退化[4]。在电池组层面，这种退化表现为容量老化和功率衰减，直接影响驾驶可靠性、热安全性和运行稳定性[5]。因此，准确的电池老化诊断是先进电池管理系统的关键功能[6]。可靠的诊断能够支持高效的电池利用和动态能量分配，同时降低电池全生命周期的运维成本[7]。尽管锂电池健康估计已取得广泛进展，但将容量估计从受控的实验室环境扩展到实际车辆运行仍然具有挑战性。在实际电动汽车使用过程中，电池面临随机负载剖面、不规律充电行为、波动热边界以及用户依赖的驾驶习惯[8]。这些因素使得老化过程具有强非线性、耦合性和路径依赖性[9]。更重要的是，由于正常运行中很少有机会进行标准化检测测试，难以从在役车辆中获取高保真容量标签[10]。实际车辆数据集通常提供丰富的运行数据，但可靠的容量标签仍然有限，且常受测量和估计不确定性的影响。数据可用性与标签质量之间的不匹配阻碍了现场条件下的准确老化诊断。

传统的锂电池老化估计方法通常可分为基于模型和基于数据的方法[11]。基于模型的方法主要包括等效电路模型和电化学模型[12]、[13]。等效电路模型通过拟合电路元件来描述电池的外部电气行为，计算效率高，但对内部反应机制的洞察力有限，难以表征复杂的退化动态[14]。电化学模型利用偏微分方程描述内部反应和传输过程，具有更强的物理保真度和可解释性[15]。然而，其实际应用往往受到准确参数识别、老化参数解耦和足够状态可观测性的限制，而这些通常依赖于昂贵且耗时的检测测试。对于实际电池组，这些局限性更为突出，因为电气、热和机械退化机制高度耦合，且数百或数千个单体在动态运行条件下相互作用[16]。在实际电动汽车运行过程中，参数变化可能使系统超出模型预定义的运行范围，导致状态估计发散[17]。

随着电池服役寿命内运行数据的持续积累，基于数据的方法因其能够直接从可测量信号中提取退化相关信息，在电池容量估计领域引起了越来越多的关注[18]。大多数现有研究是在全监督学习框架下开发的[19]、[20]。在这些研究中，老化相关的健康特征从与容量标签配对的电压、电流、温度和充放电数据中提取，模型包括高斯过程回归[21]、[22]和支持向量回归[23]、[24]。深度学习方法，如循环神经网络[25]、[26]和时序卷积网络[27]、[28]，已被广泛用于从可测量的运行信号中估计电池容量和健康状态。这些方法在实验室条件下取得了较高的估计精度，展示了全监督学习从电池运行数据中捕获退化模式的能力。

随着长期现场数据的日益可用，电池健康估计已逐步从实验室单体扩展到实际电动汽车电池组。近期研究探索了不同的策略以适应现场运行数据的复杂性。刘等人从多阶段充电中提取极化特征，实现电池组级别的快速健康状态估计[29]。陶等人将增量容量信息与基于S变换的时频特征相结合，以表征实际条件下的电池组退化[30]。大规模现场数据研究进一步引入了迁移学习策略以考虑车辆间差异[31]，而多模态方法则整合了来自多个可测量电池信号的互补信息[32]。基于Transformer的序列模型也被用于利用实际电动汽车数据进行健康状态估计[33]。这些研究表明，直接从现场运行数据中实现实际电池健康估计取得了重大进展。然而，现有方法的实际需求差异很大。一些方法依赖于预定义的充电区域或可识别的运行事件，如多阶段充电中的电流转换；另一些方法在健康状态估计之前构建增量容量、时频、统计或多模态健康指标。迁移学习方法可以缓解车辆间的分布差异，但通常需要监督信息来进行模型适应。近期的序列学习研究开始利用无标签的实际数据，显示出减少标签依赖的潜力，但在车队规模上可靠的容量标签仍然难以获取。这些观察表明，监督有限、可用充电片段的约束以及特征构建需求仍然是基于现场数据估计的重要考量。

基于全监督学习的容量估计依赖于退化轨迹中足够且可靠的标签。标准化检测测试在实验室条件下提供容量标签，但在役车辆的连续标签获取通常不可行。尽管在长期运行中收集了大量的电压、电流、荷电状态和温度数据，但大多数数据缺乏相应的容量标签。有限的可用标签也可能受到温度变化、电化学极化、荷电状态估计误差和传感器噪声的影响。传统的全监督学习无法充分利用车辆运行期间收集的丰富无标签数据。其对容量标签的依赖也限制了从少数可用标签中提取的价值。为了从实际车辆数据中推导容量标签，现有研究通常从部分充电片段及相应的荷电状态变化来估计电池容量。然而，此类估计对用于容量计算的荷电状态区间误差以及局部运行条件的变化敏感。因此，所得标签可能受到温度变化、电化学极化和测量误差的影响。为了提高标签可靠性，刘等人[29]选择初始荷电状态低于30%的充电序列，以缓解磷酸铁锂电池中电压平台的影响。陶等人[30]采用基于四分位距的滑动窗口方法去除异常容量估计。邓等人[34]考虑到健康状态的逐渐演变，使用每月内多次容量估计的中位数作为最终标签。尽管这些方法在一定程度上可以减少容量估计的波动，但它们仍然集中在过滤、校正或平滑可用标签上。因此，嵌入在丰富无标签运行数据中的退化信息仍未得到充分利用，而全监督学习对大量容量标签的依赖也未得到充分解决。

传统全监督学习对高质量容量标签的依赖限制了其利用大规模实际车辆数据的能力。半监督学习通过将少量标签数据集与丰富的无标签数据相结合来解决这一局限性。这使得模型能够利用底层数据分布和潜在退化信息，从而减少对容量标签的依赖。尽管半监督学习已广泛应用于其他机器学习应用，但其在电池健康估计这一连续回归问题中的使用仍然相对有限。与分类任务不同，电池容量在整个老化过程中连续演变，相邻健康状态之间的差异往往很微小。因此，即使是微小的伪标签误差也可能扭曲学习到的回归关系，并在 successive 训练迭代中累积。近期研究通过利用无标签的阻抗测量、充电剖面基于熵的退化特征将半监督学习应用于健康状态估计[35]、[36]、[37]。这些研究突出了半监督学习利用无标签电池数据并减少对昂贵容量标签依赖的潜力。然而，大多数现有研究仅限于受控实验室条件下收集的单体数据集，半监督学习对实际车辆数据的有效性和鲁棒性仍缺乏充分探索。因此，基于实际电动汽车数据进行半监督容量估计仍有三个特别相关的挑战。第一，大量运行数据无标签，其有效利用需要对伪标签质量进行可靠评估，因为误差可能在迭代回归中累积。第二，现场充电记录不规律且不完整，而许多现有方法依赖于预定义的充电区域、可识别的运行事件或显式构建的健康特征。第三，长期车队数据表现出因单体不一致性、运行条件、测量不确定性和车辆间差异而产生的显著变异性。这些问题促使需要一种数据高效的方法，能够利用无标签的车辆数据同时从随机短充电片段中提取鲁棒的退化信息。

为解决这些不足，本研究提出了一种基于实际电动汽车数据的数据高效不确定性感知半监督学习框架，用于电池组老化诊断。在有限参考标签的条件下，该框架基于预测不确定性自适应地利用无标签数据，并从增量容量曲线主峰电压窗口内的随机160秒充电片段中估计容量。主要贡献总结如下：

（1）开发了一个具有异构专家的不确定性感知半监督学习框架，用于有限标签条件下的容量估计。利用专家分歧来表征伪标签不确定性并调节无标签样本的引入，同时通过自适应专家融合利用互补预测特性以提高估计可靠性。

（2）开发了一种物理信息驱动的短片段表征方法，使用增量容量主峰电压窗口内的随机160秒充电序列。该方法直接使用局部可测量信号，无需预定义片段位置、特定运行事件或手动构建的健康指标，使其更适合车辆运行期间收集的不规则充电数据。

（3）所提框架使用来自20辆电动汽车超过154周的长期运行数据进行了评估。在不同真实标签比例、随机短充电片段和车辆间差异下检验了其性能，以评估实际运行条件下的估计精度、标签效率和鲁棒性。

本文其余部分组织如下。第2节描述实际电动汽车数据集和数据预处理。第3节介绍所提出的不确定性感知半监督学习框架。第4节展示并讨论不同评估条件下的实验结果。最后，第5节总结主要发现和结论。

**数据集**

本研究使用的电池组老化数据来自20辆商用EU300电动汽车在约154周内的长期现场运行，而非来自实验室测试或模拟条件。所有车辆均配备相同的镍钴锰电池系统[34]。车辆、电池组和数据采集系统的主要规格总结于表1。

在正常充电过程中，通过车辆CAN总线以8秒的间隔采集电池运行数据。

**方法**

如上所述，由于充电行为不确定、电池组内单体不一致性、有限的物理可解释性和低数据效率，实际车辆运行条件下的电池老化诊断仍然具有挑战性。为解决这些问题，本研究开发了一种不确定性感知半监督学习框架，用于基于增量容量主峰电压窗口内随机位置的160秒充电片段的电池组老化诊断。该框架将有限的标签样本集与丰富的无标签数据相结合。

**结果与讨论**

本节从估计精度、鲁棒性、组件贡献和标签可用性方面评估所提出的半监督学习框架。在10%标记车辆设置下，使用Bagging和LSBoost作为代表性集成回归器，而LSTM和Transformer分别代表循环和基于注意力的序列学习模型。所有方法使用相同的车辆级划分、真实标签预算、输入变量和160秒充电片段，而所提出的方法……

**结论**

本研究基于154周的电动汽车数据开发了一种不确定性感知半监督学习框架，用于电池组老化诊断，使用增量容量主峰窗口内的随机160秒充电片段。通过整合预测不确定性和自适应专家融合，该框架有效地利用了无标签数据同时提高了诊断可靠性。主要结论总结如下：

（1）所提出的不确定性感知半监督学习框架实现了可靠的电池组老化诊断……

**CRediT作者贡献声明**

马建：写作——审阅与编辑，监督，研究，资金获取。赵璇：写作——审阅与编辑，监督，研究，资金获取。李姗：写作——原稿撰写，验证，软件，方法学，研究。

乔王：撰写–审阅与编辑、验证、指导、软件、方法论、调查研究、资金获取、概念化。张凯：撰写–审阅与编辑、方法论、调查研究。薛奇凡：撰写–审阅与编辑。数据可用性：20辆电动汽车现场运行的原始数据集（已去除敏感信息）已在以下地址公开可用：https://github.com/TengMichael/battery-charging-data-of-on-road-electric-vehicles。经过预处理的数据集可从通讯作者处通过合理请求获取。利益冲突声明? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：李山报告其获得中国国家自然科学基金（52372375，52602756）以及陕西省智能电动汽车关键技术研究国际联合研究中心（2025GH-GHJD-028）的财政支持；中国教育部基础学科与交叉学科突破计划致谢：本研究获得中国国家自然科学基金（52372375，52602756）、陕西省智能电动汽车关键技术研究国际联合研究中心（2025GH-GHJD-028）、中国教育部基础学科与交叉学科突破计划（JYB2025XDXM104）、中国博士后科学基金（2025M771638）、中国博士后科学基金会博士后 Fellowship Program（GZB20250418）以及陕西省的资助支持。李山 | 马建 | 赵轩 | 乔王 | 张凯 | 薛奇凡