多任务SOC/SOH估计与跨域SOC迁移：从钠离子电池单体到电池包

《World Electric Vehicle Journal》：Multi-Task SOC/SOH Estimation and Cross-Domain SOC Transfer for Sodium-Ion Batteries: From Cells to Battery Packs

　　

钠离子电池在成本敏感和低温电动汽车应用中具有前景，但可靠的电池管理系统（BMS）需要在开发单体之外进行评估。本研究开发了一种轻量级多任务门控循环单元（GRU）框架，将时间步级荷电状态（SOC）估计与基于窗口、融入循环信息的健康状态（SOH）估计相结合。主A6配置使用老化敏感描述符，包含24,882个可训练参数。在NFM源域测试集上，A6实现了1.078%的SOC均方根误差（RMSE）、0.978%的循环聚合SOH RMSE以及0.835的SOH决定系数（R²），而恒定均值基线的SOH RMSE为2.409%。消融分析区分了任务耦合与输入可观测性的效应。研究人员评估了一个单独的三输入源训练骨干网络用于外部SOC迁移：在Hina上，零样本RMSE为22.5–36.2%，使用目标单体25 °C记录的25%进行校准后，在未见温度下误差降至14.0–27.4%；在CVUT 4S11P冷启动电池包上，零样本RMSE约为27–29%，在前25%按时间排序的记录上进行适配后降至12.0–19.7%。单独的源域测试和迁移测试表明，即使可获得有限的目标域校准，仅凭低域内误差也无法确立在不同商业单体或电池包上的SOC精度。

研究背景方面，随着电动汽车使用日益增多，电池状态估计已成为电池管理系统（BMS）的重要任务。荷电状态（SOC）是剩余续航里程估计的关键输入，也用于充电控制、再生制动和能量管理；健康状态（SOH）反映电池退化情况，支撑充电限值、保修评估、维护和寿命管理。钠离子电池因材料资源优势和报道的零下工作能力，在成本敏感和低温应用中受到关注。然而，许多已发表的评估仍使用同一数据集中的实验室单体进行模型开发和测试，这种划分下的低误差无法说明单体或操作域变化后的性能。锂离子研究已表明，温度、单体设计、传感条件和实验室到现场的變化会降低域内表现良好的模型的精度，电池包还引入了串并联连接、单体不一致性、电流分配和接触电阻等额外失配来源。因此，研究人员关注一个实际问题：如果估计器用受控单体数据开发，当单体、温度范围或电池配置变化时，它是否仍能可靠工作。研究人员开展了轻量级多任务GRU框架研究，在NFM源域上进行联合SOC/SOH训练、消融、老化分析和噪声测试，Hina用于检验向另一商业单体的迁移，CVUT 4S11P电池包用于低温脉冲负载下的单体到电池包测试。研究得出的结论是：A6在源域实现SOC RMSE 1.078%、循环级SOH RMSE 0.978%和SOH R² 0.835；但单独源训练的三输入骨干在Hina上零样本SOC RMSE为22.5–36.2%，在CVUT电池包上约为27–29%，经有限目标域校准后分别降至14.0–27.4%和12.0–19.7%。其重要意义在于，低域内误差不能确立在不同商业单体或电池包上的SOC精度，将源域联合估计与外部迁移结果分开评估可为面向未来电动汽车BMS的钠离子估计器提供更有用的评估基础。关键技术方法方面，研究人员采用多任务GRU架构（共享两层GRU编码器，64和32隐藏单元，32维投影及独立SOC和SOH预测头），使用循环级老化描述符（dQ/dV均值、标准差、最大值及容量跨度），引入弱库仑平衡物理一致性正则化项，采用基于（单体ID、老化循环）级别的分块划分协议（40循环为块，70/15/15%分配），并使用AdamW优化器训练；外部迁移采用单独源训练的三输入骨干，Hina使用25 °C目标单体记录的前缀校准（5%、10%、25%预算），CVUT采用前25%时间排序记录进行零样本、归一化替换和微调三种策略。数据来源为NFM源域数据集（1,088,968行，2739个单体-老化循环组）、Hina商业10 Ah钠离子电池数据集和CVUT 4S11P钠离子电池包数据集（标称容量约14.3 Ah，?15、?5、5、15和25 °C下约200 A、3 s重复负载脉冲）。

研究结果方面，源域联合SOC/SOH结果中，总体性能显示在留出NFM划分上SOC RMSE为1.078%（R²=0.9986），窗口级SOH预测聚合为440个循环值后SOH RMSE为0.978%、R²=0.835，恒定均值基线RMSE为2.409%，总体趋势捕获良好但预测略向SOH范围中部压缩。温度/域特定行为显示按标称温度/域分离后，?15 °C的SOC RMSE为0.953%、25 °C为1.157%，SOH循环级RMSE分别为1.225%和0.720%，但每个标称温度对应不同源单体，并非纯粹的溫度迁移测试。老化阶段行为显示按参考SOH的33和66百分位阈值分为高、中、低SOH三组（各150、145、145个循环），循环级SOH RMSE分别为1.293%、0.656%、0.863%，组内均值基线分别为0.603%、1.388%、0.497%，模型在中间SOH范围相对分辨率最强，高和低SOH组的负组内R²反映组内目标变化狭窄。消融实验显示A1较单任务A0基线SOC RMSE略低（1.576%对1.611%），A2和A3未改善SOC，A4的温度/域信息和A5的滚动电压信息伴随较大SOC改善，缺乏老化敏感描述符的配置SOH较弱，A6b获得最低SOC RMSE（0.840%）但SOH RMSE为1.495%、R²=0.613，主A6以部分SOC精度换取更强的循环级SOH性能。传感器噪声鲁棒性显示基线RMSE为1.0777%，1%满量程组合扰动升至1.0860%（相对增加0.77%），电压影响最大、温度最小。跨单体SOC迁移中，Hina零样本SOC RMSE在四个外部目标温度间为22.53–36.21%，5%预算在各温度下为31.54%、25.50%、23.56%、21.98%，10%预算为29.86%、22.20%、18.78%、16.31%，25%预算为27.42%、20.33%、16.95%、14.04%，显示仅用目标单体25 °C记录的预算依赖恢复。面向工程的电池包验证中，直接将源模型应用于CVUT在四个可评估温度下给出27–29% SOC RMSE，P2仅替换源归一化为电池包记录前25%统计量使RMSE升至55–66%，P3用每条记录前25%微调使后75% RMSE降至12.0–19.7%（相对降低约31–56%），但剩余误差仍远大于NFM源域误差，被视为单体到电池包偏移后的部分恢复而非完整迁移；对电动汽车BMS部署的启示是准确的源单体结果不能确立电池配置和传感条件变化时的精度，预处理和学习参数应一起评估，面向部署的评估需报告目标域误差、校准数据选择、输入预处理和健康描述符可用时间。

讨论部分总结如下：关于输入可观测性在消融中的作用，现有消融识别的是架构-可观测性联合效应而非单纯模型规模效应，A4的温度/域上下文和A5的滚动统计伴随较大SOC改善，SOH在A6b或主A6纳入循环衍生老化信息后强烈改善，这与先前关于合适部分轮廓和物理信息特征对电池健康估计至关重要的报道一致。关于SOH性能，主A6在440个测试循环上实现0.978%循环级SOH RMSE和R²=0.835，优于全局恒定均值参考，中间组RMSE为0.656%低于组均值基线1.388%，但高和低SOH组因目标变化狭窄出现负组内R²，阶段级分辨率须结合目标散布解读；老化描述符与SOH参考均来自同一完整放电循环容量-电压数据，这种共享数据来源是离线信息条件的一部分，不应与已证实的标签无关在线健康测量混淆，单个描述符与循环级SOH参考的Pearson相关性绝对值r≤0.203，表明无明显单特征线性代理，但低线性相关不排除共享信息、非线性依赖或未来信息访问；已证明的贡献是在完整曲线评估协议下整合循环衍生健康描述符，因果在线流程需要来自先前完整循环或适当定义的部分轮廓的特征。关于物理项为何不是主导贡献者，实验中物理项不是精度的主要来源，QBOL在每个源温度子集内固定，A3未改善估计结果，可能原因是加入老化信息前SOH估计较弱，以及理想库仑平衡关系可能与实测数据重建的SOC参考不完全匹配，因此该项保留为弱一致性约束，消融结果不支持该项单独提高精度的主张。关于单体和电池包失配下的跨域误差，两个外部数据集以不同方式偏离NFM：Hina使用另一商业单体，标称容量、测试温度和SOC参考构建均有变化；CVUT引入4S11P电池包及不同电流尺度、传感条件和冷启动脉冲负载，两个域中高得多的零样本SOC误差使外部测试成为必需，低NFM误差不能预测这些变化后的精度，结果未识别哪个失配因素占主导，因为多个条件同时变化且标称温度在NFM内与源单体身份配对。关于计算和实现考虑，A6仍是小模型，24,882个可训练参数，float32参数存储约0.095 MiB（约0.10 MB），CPU测试中批大小1的推理时间为2.434 ms、批大小64为7.794 ms，四个老化描述符相对24,818参数的迁移骨干仅向第一SOH层增加64个权重，这些结果在测试平台上显示低计算成本，但不证明特定汽车微控制器上的实时性能，该点需单独硬件验证。局限性方面，NFM中每个标称温度条件对应不同源单体，所报告数据无法分离单体特定效应与温度相关变化；Hina和CVUT数据集缺乏与NFM直接可比的SOH参考和完整循环健康描述符，外部验证因此涉及SOC迁移而非SOH泛化；主A6使用窗口最终隐藏状态和来自完整循环的描述符，定义离线固定窗口评估而非逐样本因果流式推理；CVUT电池包SOC通过库仑计数重建，依赖初始SOC假设、电流测量、标称容量和记录连续性；CVUT代表低压钠离子电池包的实验室冷启动脉冲协议而非完整牵引电池道路测试；校准/评估划分使用由每条记录'Total Time'列衍生的数值时间字段排序后选择前25%适配、后75%评估，排序不独立验证物理记录连续性；主源域训练使用固定种子而传感器噪声测试使用多种子；未来工作可评估因果健康条件、更多商业单体和老化标签以及完整车辆工况循环。研究结论部分翻译为：本研究建立了一个轻量级、多时间尺度的钠离子电池估计框架和分层外部SOC评估。在NFM源域测试集上，24,882参数的A6配置实现了SOC RMSE 1.078%、循环级SOH RMSE 0.978%和SOH R² 0.835，而全局恒定均值基线的SOH RMSE为2.409%。现有消融表明源域增益强烈依赖输入可观测性和老化敏感描述符，主A6和A6b配置揭示了可测量的SOC/SOH性能权衡。使用单独源训练的三输入骨干，独立单体Hina的SOC零样本RMSE范围为22.5%至36.2%，现有25%参考温度校准在未见温度下将其降至14.0–27.4%。在CVUT 4S11P电池包上，零样本SOC RMSE约为27–29%，在前25%时间排序记录上适配后降至12.0–19.7%。NFM、Hina和CVUT结果处理不同但相连的问题：源单体上的联合SOC/SOH估计、向独立电池域的SOC迁移以及有限校准的益处，将这些结果分开可为评估面向未来电动汽车电池管理系统的钠离子估计器提供更有用的基础。