面向储能系统锂离子电池跨工况剩余使用寿命预测的物理对齐迁移学习

《Sustainable Energy Technologies and Assessments》：Physics-aligned transfer learning for cross-condition remaining useful life prediction of lithium-ion batteries in energy storage systems

　　

摘要

可靠的剩余使用寿命（RUL）预测对锂离子电池储能系统（BESS）至关重要，然而运行条件与批次差异阻碍了跨条件的泛化能力。本文提出了物理对齐迁移学习（PATL）方法，该方法在潜在域自适应之前执行初始状态特征校准。特征构建中融入了安时积分；单核最大均值差异（MMD）用于对齐潜在分布，科朗博尔德-阿诺德网络（KAN）用于建模非线性衰减及拐点转换。预测后的单调滤波器防止预测RUL出现增加。在三个公开数据集上开展的实验评估了跨单体迁移、复合跨倍率和跨批次迁移以及拐点预测。在三个NASA跨单体任务中，PATL的平均平均绝对百分比误差（MAPE）为32.14%。在XJTU的复合2C至3C迁移中，其均方根误差（RMSE）为31.06周期，MAPE为28.36%。在MIT数据集上，KAN的拐点RMSE为51.22周期，而参数匹配的MLP为59.93周期，参数匹配的Transformer为67.04周期。在树莓派4B上的部署结果显示，每个样本的端到端延迟为0.96秒，增量运行时张量分配为1.80 MB。这些结果表明该方法在资源受限的电池诊断中具有潜力。

引言

准确的剩余使用寿命（RUL）预测是电池健康管理的关键组成部分[1]，可支持维护优化、运行风险缓解以及可靠的电池管理系统（BMS）运行[2]、[3]。在实际BESS应用中，由于动态负荷调度、削峰填谷和快充电荷调节，运行条件经常发生变化。这些运行策略在历史电池数据和在线电池数据之间引入了显著差异，使得鲁棒的跨条件RUL预测对实际电池管理变得越来越重要。

近年来，基于深度学习的无监督方法在标准运行条件下取得了令人满意的预测性能，特别是在引入内阻退化指标的情况下[4]。然而，大多数现有方法假设训练和测试数据遵循相似分布，这一假设在实际工程应用中很少成立[5]、[6]。充电倍率、动态负荷曲线和环境条件的变化会改变电池退化特性和测量响应，导致显著的领域偏移并在跨条件场景下降低预测性能[7]、[8]，因为电热耦合[9]和荷电状态归一化效应[10]从根本上改变了变化运行倍率下可观测的电池响应。特别是，极化引起的电压平台偏移和容量响应变化进一步加大了源域与目标域之间的差异[11]，使得传统数据驱动模型极易受到负迁移的影响[12]、[13]。

因此，迁移学习已被广泛采用以提高电池RUL预测模型的跨条件泛化能力[14]、[15]，这对于管理电网规模储能系统的退化特性和生命周期经济性至关重要[16]。然而，大多数现有方法主要关注统计分布对齐，而忽视了不同运行条件引入的系统性特征差异[17]、[18]。因此，在特征对齐过程中，与运行条件相关的变化可能被错误地视为退化信息，限制了实际应用中的预测精度。为解决这一问题，本文提出了一个物理对齐迁移学习（PATL）框架，该框架明确将物理特征校准与统计分布对齐解耦，从而在实际BESS运行场景下实现更鲁棒的跨条件RUL预测。

当前用于跨条件电池RUL预测的迁移学习方法主要采用领域自适应技术，如最大均值差异（MMD）和对抗学习，以减少源域和目标域之间的统计分布差异，从而提升模型泛化能力[19]、[20]、[21]。尽管这些方法展现了令人鼓舞的性能，但在涉及不同充电倍率和快充的实际运行条件下，电池退化特征在不同运行场景间存在显著差异，这些方法仍面临挑战[22]、[23]。

现有方法的一个关键局限在于，它们主要关注统计分布对齐，而对嵌入在电池测量数据中由运行条件引起的特征差异关注不足。例如，在跨倍率场景下，极化引起的电压平台偏移源于运行条件的差异而非电池固有的退化。直接进行统计对齐可能会将这些与运行条件相关的变化与真实的退化特征混淆，导致特征表示失真甚至负迁移[24]、[25]。因此，在进行统计领域自适应之前减少由运行条件引起的差异，对于提升跨条件电池RUL预测的鲁棒性至关重要[26]、[27]。

与此同时，近期研究积极探讨了在复杂或数据受限条件下的高级诊断范式，如用于预测性维护的堆叠双线性网络[28]、多条件生成式数据增强[29]、稀有寿命终止样本下的退化映射[30]、用于小样本RUL预测的相关性对齐代理学习[31]，以及平衡精度与早期可预测性的解析发现[32]。然而，当领域偏移直接来源于运行条件变化时，在未校准的原始测量数据上进行直接统计自适应或数据增强仍可能将条件依赖的偏移与不可逆老化进展混淆。

此外，在快充和高倍率运行条件下，电池退化往往表现出显著的非线性行为，包括容量再生、局部波动和拐点转换[33]、[34]、[35]。依赖固定激活函数的传统神经网络往往难以准确刻画这些局部退化模式，限制了关键退化阶段的预测精度[36]、[37]。因此，增强对复杂非线性退化轨迹的表征能力仍然是电池诊断中的重要挑战。

为解决跨条件电池RUL预测的挑战，本文提出了一个基于顺序迁移策略的物理对齐迁移学习（PATL）框架。所提出的框架首先应用早期参考特征校准以减少与运行条件相关的特征差异，然后进行统计领域自适应。本文的主要贡献总结如下：

• 1.
  提出了面向跨条件电池RUL预测的校准优先迁移策略。该框架在单核RBF-MMD对齐之前应用早期参考特征校准，将输入特征空间中的基准参照与潜在空间中的残差分布对齐分离开来。通过受控消融实验考察了校准、分布对齐及其执行顺序的影响。
• 2.
  通过互补性评估研究了特征校准、潜在分布对齐和轨迹约束各自的促进作用。XJTU实验区分了点预测精度、潜在分布差异和预测轨迹一致性，为顺序策略在何种情况下有益提供了实证依据，并阐明了改进的分布对齐并不一定带来更低的预测误差。
• 3.
  在三个公开数据集上评估了跨条件电池诊断性能，并在资源受限硬件上评估了部署可行性。实验涵盖跨单体迁移、复合跨倍率和跨批次迁移以及跨批次拐点预测。KAN预测头（24,290个参数）与参数匹配的MLP（24,418个参数）和Transformer（24,574个参数）进行了比较，同时通过树莓派4B遥测分析评估了部署可行性。

章节摘要

物理对齐迁移学习框架

图1展示了所提出的物理对齐迁移学习（PATL）框架的整体工作流程。该架构遵循一个由三个主要组件构成的顺序流水线：参照早期循环测量数据进行初始状态特征校准、时间表征提取与潜在单核MMD对齐配对，以及配备单体特定预测后单调滤波器的基于KAN的非线性退化回归。

数据集与迁移任务

实验评估涵盖三个代表性诊断迁移场景：跨单体迁移、复合跨倍率和跨批次迁移，以及具有非线性退化拐点分析的大规模跨批次迁移。在转导式无监督领域自适应（UDA）设定下，有标记的源域样本用于有监督模型优化，而无标记的目标域输入序列在记录的电池寿命范围内参与潜在领域对齐。

跨单体迁移鲁棒性：NASA数据集

为评估PATL的跨单体迁移性能，利用B0005、B0006和B0007作为源单体、B0018作为目标单体构建了三个迁移任务。定量结果总结于表1。

PATL实现了32.14%的最低平均MAPE，相比LSTM、BiGRU、DANN和MK-MMD分别降低了34.7%、26.9%、60.6%和29.2%。在任务层面，PATL在B0005→B0018（29.79%）和B0006→B0018（27.65%）上获得了最低MAPE。

结论

本研究提出了一个面向跨条件锂离子电池RUL预测的物理对齐迁移学习（PATL）框架。该框架结合初始状态校准、基于单核MMD的领域自适应和基于KAN的非线性预测，随后通过预测后单调滤波器提高轨迹一致性。

在三个公开基准上的实验为框架在不同迁移条件下的行为提供了实证依据。在NASA和XJTU数据集上的实验表明……

CRediT作者贡献声明

Yu Difan：写作 – 原稿撰写、可视化、验证、软件、方法论、调查研究、形式化分析、数据整理、概念化。Wei Haijun：写作 – 审阅与编辑、指导、资源、项目管理、方法论、资金获取、概念化。Liu Lihua：写作 – 审阅与编辑、验证、调查研究、数据整理。

利益冲突声明

作者声明不存在可能影响本文所报道工作的已知竞争性财务利益或个人关系。

Yu Difan|Wei Haijun|Liu Lihua