《Energy Conversion and Management-X》：Enhancing lithium-ion battery prognostics in dynamic environments via quantum-augmented feature extraction and transformer framework
编辑推荐：
经典的健康状态（State of Health, SOH）模型在随机动态电池负载条件下表现不佳。为此，本研究提出一种量子增强Transformer（Q-Transformer）架构，将变分量子电路（Variational Quantum Circuit, VQ
经典的健康状态（State of Health, SOH）模型在随机动态电池负载条件下表现不佳。为此，本研究提出一种量子增强Transformer（Q-Transformer）架构，将变分量子电路（Variational Quantum Circuit, VQC）与Transformer相耦合。在该架构中，量子网络的输出作为注意力机制中的键（Key）和值（Value），用于引导原始特征的表示学习。在NASA随机电池使用数据集上的实验结果表明，该模型平均决定系数（R2）达到0.9855，优于量子神经网络（QNN）、Transformer、双向门控循环单元（BiGRU）、双向长短期记忆网络（BiLSTM）及卷积神经网络（CNN）等对比模型。此外，研究所提取的三种放电窗口特征（半生命周期放电时间、电压峰度、电压偏度）具有明确的物理意义和强相关性，适用于电池管理系统（Battery Management System, BMS）的实际部署。
一、研究背景与问题
锂离子电池（Lithium-ion Batteries, LIBs）凭借高能量密度、低自放电率和长循环寿命，广泛应用于电动汽车、航空航天卫星等领域的电能存储系统。然而，电池老化与容量衰减会引发性能下降，并带来热失控、电解液泄漏等安全风险。准确预测健康状态（State of Health, SOH）对于优化电池使用、保障运行安全及延长寿命至关重要，是电池管理系统（Battery Management System, BMS）的核心功能之一。然而，LIBs内部非线性电化学过程与多变的老化机制，使得现有SOH估计方法在精度上仍面临挑战。
既有SOH预测研究虽已发展出多种深度学习模型，如ATCMN、LSTM、混合灰色预测与高斯过程回归、融合放电电压曲线信息的寿命预测框架、改进粒子滤波算法以及分层注意力BiLSTM网络等，但这些方法普遍依赖恒定放电电流设定，且在NASA和CALCE等公开数据集上验证时均未脱离恒流放电条件。实际应用中，电池负载电流呈现随机动态变化特征，这要求模型具备更强的泛化能力。近年来，混合人工智能框架通过集成神经网络有效映射复杂时空退化模式，如LSTM-KAN、EMD-CNN-BiLSTM-注意力、CNN-LSTM和Vision Transformer-GRU等，均展现出优于单一模型的性能。此外，群智能优化算法如混沌粒子群优化、鲸鱼优化算法、麻雀搜索算法、人工蜂群算法和粒子群优化等被广泛用于模型参数调优。量子神经网络（Quantum Neural Network, QNN）已在多个领域展现潜力，但将量子增强特征表示与Transformer架构相结合用于动态放电条件下的SOH估计，尚未得到充分探索。为此，研究人员提出量子增强Transformer（Q-Transformer）架构，融合量子计算原理与注意力机制，以提升SOH预测精度。
二、研究内容与结论
研究人员利用NASA随机电池使用数据集中28颗LG Chem 18650锂钴氧化物电池（2.1-Ah）的数据开展研究，选取RW16（低电流、室温）、RW19（低电流、40℃）、RW24（高电流、室温）和RW26（高电流、40℃）四种代表性工况剖面。首先从放电数据中提取三种健康指标：半生命周期放电时间（Time to Half-Life Discharge, THLD）、电压峰度（Voltage Kurtosis）和电压偏度（Voltage Skewness）。Pearson相关分析显示三者与SOH的平均相关系数绝对值均超过0.95，具有强线性相关性。随后构建Q-Transformer模型：采用Pauli特征映射将三特征编码为量子态，经三量子比特变分量子电路（Variational Quantum Circuit, VQC）处理后，将QNN输出作为键和值，原始特征作为查询，通过交叉注意力机制融入Transformer，最终输出SOH预测值。实验结果显示，Q-Transformer在四个数据集上的平均R2达0.9855，平均RMSE为0.0086，平均MAE为0.0069，全面优于BiLSTM、CNN、BiGRU、Transformer和QNN等对比模型。与已发表研究相比，该模型平均R2优于Shadow CfC（0.9473）、KMHA-CGAN（0.9819）和贝叶斯CNN-LSTM（0.932）。消融实验表明，将量子电路替换为参数匹配的经典多层感知机（即C-Transformer）后，平均R2降至0.9179，证明量子阶段贡献了主要的性能提升（额外增加0.0676），而级联架构本身仅贡献0.0414的提升。
三、关键技术与方法
研究人员采用的核心方法包括：（1）基于NASA随机电池使用数据集（28颗LG Chem 18650电池，选自RW16、RW19、RW24、RW26四种工况剖面）的放电数据特征提取，构造THLD、电压峰度、电压偏度三种健康指标；（2）利用Savitzky-Golay滤波器去除原始传感器噪声，并通过Pearson相关分析验证特征与SOH的线性相关性，采用Min-Max归一化保证数值稳定性；（3）构建QNN，使用Pauli特征映射进行数据编码，采用包含Hadamard、RY、RZ、RYY、RZZ、CNOT和Toffoli门的三量子比特变分电路，利用COBYLA算法优化；（4）设计交叉注意力Transformer，以原始特征为查询、QNN输出为键和值，通过多头注意力、残差连接、层归一化和GELU激活的前馈网络实现时序依赖建模；（5）采用随机搜索进行超参数优化，并以均方误差作为模型选择准则；（6）开展消融实验，将变分量子电路替换为参数匹配（36个可训练参数）的经典3-7-1多层感知机，形成C-Transformer作为对照。
四、研究结果
3.1 信号准备与特征调理
研究人员从NASA随机电池使用数据集中提取THLD、电压峰度、电压偏度和循环索引SOH等健康指标，通过Savitzky-Golay滤波器消除原始传感器噪声并抑制环境异常，在不破坏信号轨迹的前提下完成平滑处理。随后执行Pearson相关分析，验证各特征与SOH的统计相关性，相关分析结果确认三种特征均与SOH高度相关。最后采用Min-Max归一化将所有变量映射至[1]区间（原文如此，应为[0,1]），确保训练过程中尺度一致与数值稳定。
3.2 性能指标
研究人员采用平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和决定系数（Coefficient of Determination, R2）三项指标评估预测性能。MAE衡量预测误差的平均绝对幅度，RMSE通过计算残差标准差对较大偏差施加更高惩罚，R2评估模型对目标方差的解释程度。
3.3 仿真结果与分析
在RW16、RW19、RW24和RW26四个数据集上的SOH预测轨迹显示，Q-Transformer在所有数据集中均取得最高精度。经典模型对比中，CNN通过固定尺寸卷积核进行空间特征提取而优于BiLSTM；BiGRU借助更新门和重置门的简化双向结构优于CNN。Transformer凭借自注意力机制和位置编码，比BiGRU更具优势，能更动态地捕获长距离时序依赖。QNN通过量子叠加态处理数据，探索更大的特征空间，优于Transformer。最终Q-Transformer通过交叉注意力将QNN输出与原始特征融合，捕获跨时间步的复杂依赖关系，在所有数据集上取得最低MAE和RMSE。残差小提琴图进一步验证，Q-Transformer残差中位数更接近零，分布宽度最窄、尾部最短，预测误差紧密集中于零附近；而CNN残差分布较宽且尾部较长，显示其对异常值敏感。
3.4 与已发表研究的对比
研究人员将Q-Transformer与近期使用NASA随机电池使用数据集的已发表研究进行对比。Liu等提出的Shadow CfC连续时间网络取得R2为0.9473；Tang等提出的KMHA-CGAN混合模型实现平均R2为0.9819；Desai等应用的贝叶斯CNN-LSTM模型报告平均R2为0.932。Q-Transformer取得平均R2为0.9855，成为对比研究中表现最佳的模型。
3.5 量子阶段消融实验
为验证量子阶段对性能提升的贡献，研究人员设计了消融实验。将变分量子电路替换为参数匹配的经典多层感知机（3-7-1结构，36个可训练参数），其余组件保持不变，形成C-Transformer。结果显示，在相同输入、相同随机搜索预算、相同下游Transformer配置和相同数据划分条件下，参数匹配的经典第一级将平均R2从0.8765提升至0.9179（增加0.0414），而量子电路进一步将平均R2提升至0.9855（额外增加0.0676）。就未解释方差（1-R2）而言，Q-Transformer为0.0145，而C-Transformer为0.0821。该结果表明，Q-Transformer的性能优势主要归因于变分量子电路学习到的特征表示，而非单纯的级联架构引入。
五、总结与结论
本研究提出的Q-Transformer模型融合了量子电路的并行特征表达能力和Transformer的时序建模优势，有效解决了标准QNN在动态工况下难以捕获复杂时间依赖和特征-目标关系的问题。在四个NASA公开数据集上的实验验证了模型在动态放电环境中的优越性和鲁棒性，消融实验确认了量子特征提取环节的核心贡献。该模型对便携式设备具有显著应用价值，例如智能手机制造商可集成该框架实现精确的电池健康估计，以提升效率、延长电池寿命并优化使用策略。未来研究方向包括：（1）整合物理信息损失函数；（2）探索更多电池健康指标以提升预测精度和鲁棒性；（3）采用含独立验证集的三分法划分及k折交叉验证；（4）将评估扩展至随机电池使用数据集全部28颗电池，采用留一电池交叉验证协议；（5）在物理量子硬件上部署变分电路，量化设备噪声和有限测量采样对报告精度的影响。
