基于物理原理的多尺度Mamba网络用于锂离子电池健康状态预测

《Journal of Energy Storage》：A physics-guided multi-scale Mamba network for lithium-ion battery health prediction

　　吴俊英|田乐|郭茂祖
中国北京102616，北京建筑工程大学智能科学技术学院

摘要
准确预测锂离子电池的健康状态（SOH）是实现电池安全管理与寿命评估的关键。然而，电池的退化过程具有多尺度特性，长期衰减与局部波动同时存在，给精确预测带来了巨大挑战。为此，本文提出了一种物理引导的多尺度Mamba网络（MSP-Mamba）。该方法首先构建一个电池物理先验生成模块，从容量一致性及充电阶段动态中提取可解释的退化特征；接着设计了一个相关权重生成单元，根据物理先验自适应调整多源特征的权重，从而突出关键退化信息并抑制噪声。在时间建模阶段，通过多尺度卷积分支捕捉短期、中期和长期的退化模式，并引入选择性状态空间机制以实现高效的长序列建模。最后，一个可学习的跨尺度融合模块整合各尺度信息，输出SOH预测结果。在公开的TJU和NASA数据集上的实验表明，MSP-Mamba在平均绝对误差、均方根误差和平均百分比误差方面均优于传统模型、先进的时间模型、物理信息神经网络以及多种基于Mamba的先进方法。消融实验进一步验证了所提出的物理引导与多尺度建模策略的有效性。

引言
随着电动汽车和储能系统的大量应用，锂离子电池的可靠性与安全性已成为重要的工程问题。健康管理与预测（PHM）通过在线评估系统健康状况并预测退化趋势，为早期预警和维护决策提供依据，从而降低运维成本并避免意外故障[1]。在电池系统中，健康状态（SOH）常用于描述容量衰减和性能下降情况，是电池管理系统（BMS）在寿命评估、能量调度和安全保护中的核心参数。准确的SOH预测可为BMS提供及时的维护决策支持，降低风险，并延长电池在整个生命周期内的使用价值[2][3][4]。

现有的电池健康估算方法大致可分为模型驱动型和数据驱动型两类[5][6]。基于机理的模型（如电化学模型或等效电路模型）能够提供可解释的退化描述，但在涉及多种老化机制、操作条件剧烈变化以及参数随时间变化的条件下，这类模型往往存在建模复杂度高、参数难以直接测量以及识别成本高昂等问题，限制了其在实际应用中的推广和跨条件通用性[7][8]。基于滤波和观测器的方法在BMS中得到广泛应用，可用于联合估算SOH或模型参数，但其性能通常取决于模型结构的合理性以及噪声统计假设的准确性。面对非高斯噪声和分布偏移时，这类方法容易产生估算偏差，且难以完全捕捉不同电池单元和操作条件下的非线性退化差异[9][10]。相比之下，数据驱动型方法可直接从电压、电流和温度等运行数据中学习退化模式，已成为电池SOH预测研究的主流方向，其在特征提取、端到端深度学习以及工程适配方面不断取得进展[11][12][13]。

近年来，深度学习显著推动了电池SOH估算技术的发展。循环神经网络（RNN）及其变体——长短期记忆网络（LSTM）和门控循环单元（GRU）——能够从充放电序列中学习时间依赖性，实现端到端建模。然而，当序列较长或退化信息分布在较宽的时间范围内时，这些模型仍可能面临梯度消失、有效记忆长度有限以及无法充分捕捉长期依赖性等问题[14][15]。Transformer通过多头注意力机制建模全局依赖性，在跨电池单元迁移学习和跨数据集建模方面展现出良好潜力，已被纳入CNN-Transformer和Transformer-GRU等框架用于SOH估算。不过，自注意力的计算和内存开销通常会随序列长度呈二次方增长，因此在高频采样或长历史窗口下部署成本较高。此外，在强噪声和操作条件突然变化的情况下，稳定表示长时间尺度的退化细节仍然具有挑战性[16][17][18]。另外，工业数据的高标注成本以及明显的电池单元间分布差异，要求模型在现实场景中具备更强的鲁棒性和物理一致性约束。研究人员提出了无标签迁移学习和无监督领域自适应（UDA）框架，旨在无需目标电池标签的情况下学习与领域无关的特征表示，从而提升跨电池单元的通用性[19]。同时，物理信息神经网络（PINNs）通过在弱监督下引入退化动力学约束或状态空间一致性，增强了物理一致性和外推稳定性，为工程应用提供了更可靠的SOH估算方案[20]。

本研究以Mamba架构[21]作为时间建模的核心。Mamba基于选择性状态空间建模，能够以线性复杂度捕捉长距离依赖性，从而在保持长时序建模能力的同时，缓解循环神经网络的梯度不稳定问题，以及Transformer模型在序列长度增加时的扩展性瓶颈。更重要的是，Mamba的选择性状态更新机制能够在有限的输入窗口内动态保留与退化相关的时间信息，过滤掉冗余或易受噪声影响的成分，这对于电池SOH退化建模至关重要。然而，电池SOH退化通常具有显著的多时间尺度特性，且易受操作条件波动和噪声的影响。直接应用该架构可能仍无法充分刻画关键的退化阶段，也无法实现稳定的跨电池单元通用性。同时，实际场景中标注数据十分稀缺，这使得模型需要在有限监督下学习稳定且可解释的退化特征表示。

因此，我们提出了MSP-Mamba（多尺度物理引导Mamba）这一电池SOH预测框架。我们构建了一个面向退化机制的物理先验生成模块，以可解释的退化特征和偏差度量为先验约束。设计了相关权重生成单元（CWU），在物理先验的指导下自适应调整多源退化特征的权重，突出关键退化因素，同时抑制噪声通道。此外，还采用了短期、中期和长期的多尺度卷积分支，分别在不同时间尺度上提取退化特征，并在每个尺度上应用Mamba的选择性状态空间推理机制。最后，一个可学习的跨尺度融合模块自适应整合多尺度信息，输出最终的SOH预测结果。

与现有的多尺度时间序列模型相比，MSP-Mamba的核心创新不仅在于提取多时间尺度特征，还在于结合物理先验、通道重校准和选择性状态空间建模，以适应电池SOH退化的多阶段演化特性。传统的CNN主要侧重于局部特征提取，难以捕捉长周期的退化依赖关系。RNN/LSTM模型虽能描述时间关联，但在长序列中可能存在记忆衰减问题。Transformer虽然具有强大的全局依赖建模能力，但通常会导致较高的计算成本，且缺乏明确的退化机理约束。普通Mamba虽能高效处理长序列，但一般缺乏物理指导以及针对电池退化特征的多尺度表示。相比之下，MSP-Mamba通过B-PPG引入与退化相关的先验，借助CWU强化关键退化通道，再利用多尺度Mamba分支分别表征短期波动、中期阶段性变化以及长期容量衰减。因此，MSP-Mamba能够在物理先验的引导下有效建模多尺度退化特征，为复杂操作条件下的健康状态预测提供更稳定、更可解释的特征表示。

本研究的主要贡献如下：
• 我们提出了MSP-Mamba框架，用于电池SOH预测，该框架整合了物理先验引导、多尺度退化特征表示以及选择性状态空间时间建模。该框架能够动态保留与退化相关的时间信息，提高电池SOH预测的效率和准确性。
• 我们设计了物理先验生成机制及相关权重生成策略，从原始信号和物理关系中得到的退化特征及偏差度量中构建可解释的先验约束，从而在噪声和操作条件波动下提升模型的鲁棒性和物理一致性。
• 我们建立了短期、中期和长期的多尺度退化特征表示，以及一个跨尺度自适应融合模块，用于共同刻画局部动态和长期衰减模式，提升模型在不同电池单元和操作条件下的通用性，并通过全面实验系统验证了各模块的有效性。

相关工作
早期关于电池SOH预测的研究主要采用传统机器学习方法。支持向量回归（SVR）在小样本环境下具有较强的泛化能力；Klass等人（2014年）基于在车数据开发了基于SVR的SOH估算框架，并验证了其工程可行性[22]。高斯过程回归（GPR）既能提供预测均值，又能给出不确定性估计；Richardson等人（2017年）利用GPR对电池容量衰减进行建模，以预测……

方法
图1展示了所提出的MSP-Mamba模型的整体架构。该模型以物理先验引导、多尺度时间建模以及自适应融合预测为核心，旨在提高电池SOH预测的准确性和鲁棒性。模型以滑动窗口方式生成的 historical operational sequences作为输入。文中引入了电池物理先验生成器（B-PPG），用于基于物理关系计算与退化相关的先验信息。

问题设定
SOH是表征电池健康状况的关键指标，通常用于量化电池可用容量相对于额定容量的衰减程度。在本研究中，我们采用基于容量的SOH定义，即第k次循环时的电池健康状态定义为：SOHk=Qk/Qrated，其中Qk为第k次循环时的可用容量，Qrated为电池的额定容量。

评估指标
为评估模型性能，本文采用了三种指标：平均绝对误差（MAE）、……

结论
为提高锂离子电池SOH预测的准确性和鲁棒性，本文提出了一种物理引导的多尺度Mamba网络——MSP-Mamba。该网络将机理先验与长序列建模有机结合，共同刻画退化序列的混合时间结构，即“短期扰动-阶段性转变-长期衰减”。具体而言，我们设计了电池物理先验生成器（B-PPG），用于构建具有明确物理意义的退化先验。

CRediT作者贡献声明
吴俊英：撰写——初稿、验证、软件、方法论、概念设计。田乐：撰写——审阅与编辑、指导。郭茂祖：撰写——审阅与编辑、指导。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
感谢北京建筑工程大学BT医院建设联合研究中心、呼和浩特市优秀人才选拔公开招标项目（项目编号2024-JieBangGuaShuai-She-1）、国家自然科学基金委员会（项目编号62271036、62571022）以及科技部冬奥会重点专项（项目编号2021YFF0306303）的资助。