锂离子电池跨温度健康状态估计的物理约束神经网络

《International Journal of Electrochemical Science》：Physics-constrained neural network for cross-temperature state-of-health estimation of lithium-ion batteries

　　

锂离子电池（lithium-ion batteries, LIBs）健康状态（state of health, SOH）的准确估计是电动汽车（electric vehicles, EVs）与储能系统安全运行的关键。现有数据驱动方法在跨温度场景下泛化能力不足，且缺乏对电化学退化规律的显式约束。为此，本文提出一种集成全连接神经网络（fully connected neural network, FCNN）与物理一致性约束的SOH估计框架。该框架采用两轮贝叶斯超参数优化与跨温度联合训练策略，并通过三种机制显式嵌入物理先验知识：保序回归（isotonic regression）标签约束、温度加速样本加权以及推理阶段边界截断。基于NASA电池数据集中的632个充放电循环样本，覆盖电芯B0005、B0006、B0007和B0018，研究人员从每条充电曲线中提取63个特征，包括12个统计描述符、50点电压序列和1个温度指示量，用于训练一个隐藏层宽度分别为128、64和32个神经元的三层全连接网络。10次独立实验结果表明，测试集平均R²为0.9419，平均绝对误差（mean absolute error, MAE）为0.0188；24°C与43°C子集的R²分别为0.9441和0.9217。在严格的留一电池交叉验证（leave-one-battery-out cross-validation, LOBO-CV）中，仅利用24°C数据训练时，43°C测试集的R²仍达到0.9495，验证了模型的跨温度泛化能力。后验物理一致性验证显示，单调性违背损失为1.38 × 10^?6，Verhulst偏差为4.03 × 10^?6。消融实验表明，跨温度联合学习贡献最大；依据消融结果，贝叶斯优化将重复运行间R²标准差由0.0769降至0.0075。所提出方法在保证预测精度的同时，兼顾了物理一致性与跨温度泛化能力。

本文发表于《International Journal of Electrochemical Science》，围绕锂离子电池（lithium-ion batteries, LIBs）健康状态（state of health, SOH）在跨温度条件下的准确估计问题展开。研究背景在于，随着电动汽车（electric vehicles, EVs）和储能系统快速发展，电池老化状态的可解释、稳定且高精度在线评估已成为电池管理系统（battery management system, BMS）的关键任务。SOH直接关联续航能力、安全调度、充放电优化与剩余寿命评估。然而，LIBs退化机理复杂，固体电解质界面膜（solid electrolyte interphase, SEI）生长、锂析出、活性物质损失等多种电化学过程相互耦合，并且显著受环境温度、工况和倍率影响，导致SOH呈现明显非线性和工况依赖性。已有基于模型的方法虽物理意义明确，但参数辨识困难、计算开销较大；纯数据驱动方法虽然预测能力较强，却往往缺乏物理约束，在跨温度与跨工况场景中泛化不稳定，且容易出现不符合物理规律的“SOH回升”等现象。因此，开展兼顾精度、物理一致性与跨温度泛化能力的轻量化方法研究具有明确工程意义。

针对上述问题，研究人员构建了一种物理约束全连接神经网络（fully connected neural network, FCNN）框架，用于跨温度SOH估计。该方法以NASA公开锂离子电池老化数据集为基础，选取B0005、B0006、B0007和B0018四个电芯，分别覆盖24°C和43°C两种环境温度下的全寿命充放电数据。研究首先对原始循环记录进行严格筛选与质量控制，仅保留有效放电循环，并定义SOH为当前循环可用容量与额定容量之比，其中初始容量C₀取前5个有效循环最大放电容量以减小初期波动影响。在样本构建层面，研究人员控制不同温度样本比例，并采用按温度分层的训练集、验证集和测试集划分策略，以降低单一温度数据占优引入的分布偏差。

技术方法概括：研究主要采用NASA锂离子电池老化库中4个电芯的632个样本作为样本队列来源；在特征工程上，从曲线中提取12维统计特征、SOC 10%–90%窗口内50点电压序列及1维温度特征，共63维输入；在建模上构建3层FCNN，并结合批量归一化（batch normalization, BN）、Dropout、ReLU、Adam优化器、分段学习率衰减、L₂正则化、梯度裁剪和早停；在参数选择上采用两轮贝叶斯优化；在物理约束上引入保序回归标签校正、温度感知损失加权与推理阶段SOH边界截断，并通过后验一致性指标验证物理合理性。

在方法设计上，本文提出的总体框架并非传统黑箱回归，而是在训练与推理流程中显式注入物理先验。模型输入为63维特征向量，包括12维统计特征、50点电压序列和1维温度信息。网络主体由3个隐藏层构成，宽度分别为128、64和32，前两层使用BN、ReLU与Dropout，第三层保留BN与ReLU，输出层线性回归得到原始SOH预测值，并在推理时截断到[0,1]物理区间。为提高模型配置的可重复性与稳健性，研究人员设计了两轮贝叶斯超参数优化：第一轮在较大参数空间中粗搜索，第二轮在局部邻域细搜索。结果显示，虽然第二轮使验证集R²略升，但测试集R²反而下降，提示局部精细调优有过拟合验证集风险，因此最终采用第一轮所得超参数配置。

下面依据论文主体结果部分的小标题进行解读。

4.2.1. Overall performance on the test set
研究人员在相同设置下进行了10次独立实验，以考察随机初始化与小批量采样带来的波动。结果显示，模型测试集平均R²达到0.9419，MAE为0.0188，RMSE为0.0246，表明该框架能够较准确地刻画SOH退化轨迹。最佳单次实验R²为0.9745，说明在特征表征和网络结构相匹配时，模型可获得较高拟合质量。推理阶段边界截断确保了所有输出均落在0到1之间。

4.2.2. Cross-temperature performance comparison
在按温度拆分的测试评估中，24°C子集平均R²为0.9441，43°C子集平均R²为0.9217，对应MAE分别为0.0202和0.0136。结果说明模型不仅能在训练样本较多的24°C条件下保持稳定，也能在43°C下维持较好的估计能力。论文指出，43°C测试样本较少，因此其置信区间更宽；同时不同温度组SOH分布范围不同，也会影响组内误差统计。总体而言，该结果初步证明了模型的跨温度适应能力。

4.3. Ablation study
消融实验用于量化各模块贡献。结果表明，跨温度联合训练对性能提升最为显著：去除43°C样本后，R²由0.9196降至0.8891，说明模型跨温度泛化很大程度依赖于多温度数据覆盖。去除显式温度特征后，平均性能下降较小，仅体现出有限精度损失，但稳定性变差，表明温度编码有助于模型形成更一致的跨温度映射关系。另一方面，贝叶斯优化的主要价值体现在训练稳定性提升，其将R²标准差由0.0769显著降至0.0075，同时平均R²也有小幅提升，说明系统性超参数搜索对于小样本、敏感网络配置尤其重要。

4.4. Leave-one-battery-out cross-validation
为更严格检验跨电池、跨温度泛化能力，研究采用留一电池交叉验证（LOBO-CV）。每一折中完全留出一个电池，其余三个用于训练，并在不同随机种子下重复5次取均值。其中最关键的是Fold 4：模型仅使用24°C条件下的B0005、B0006、B0007进行训练，而测试对象为43°C下从未见过的B0018，最终获得R²=0.9495、MAE=0.0136。该结果构成全文最强的跨温度泛化证据，说明即使训练阶段不包含高温样本，所提框架仍可迁移到未见高温电池。Fold 2表现相对较弱，论文将其归因于B0006初始容量相对其他电池存在制造差异，从而导致SOH标签分布偏移。

4.5. Physics-constrained training: mechanisms and posterior verification
论文强调，物理约束并非通过复杂偏微分方程残差项构建，而是通过三种轻量机制嵌入：其一，采用保序回归对每个电池SOH标签进行单调非增校正，以削弱测量噪声造成的局部回升；其二，针对43°C高温样本设置更高损失权重，以体现温度加速老化规律；其三，在推理阶段对预测SOH执行[0,1]边界截断。训练完成后，研究人员又采用后验一致性指标进行独立验证。结果显示，单调性违背损失L_mono为1.38 × 10^?6，Verhulst模型偏差L_Verhulst为4.03 × 10^?6，边界违背损失L_bound为0。由此可见，模型输出在未知测试样本上仍基本遵循容量单调衰减与Logistic退化趋势，物理一致性较好。

4.6. Comparison with existing methods
与支持向量回归（support vector regression, SVR）、高斯过程回归（Gaussian process regression, GPR）以及不含物理约束的FCNN相比，本文方法在严格的跨温度测试协议下表现更优。针对仅以24°C数据训练、以43°C电池B0018测试的场景，SVR与GPR的43°C测试R²均为负值，说明跨温度外推失败；普通FCNN取得R²=0.9099；而本文方法达到R²=0.9495、MAE=0.0136、RMSE=0.0183。论文据此说明，所提框架在保持较低计算复杂度的同时，能够显著增强跨温度稳健性和物理可验证性。

4.7. Error analysis
误差分析表明，模型预测误差大致呈近似正态分布，平均偏差为?0.0003，大多数误差位于±0.05范围内，说明不存在明显系统性偏差。最大误差约0.08，主要出现在SOH低于0.65的后期退化阶段。论文指出，这一现象可能与数据集中末期样本占比较低、终端退化机理更复杂有关，反映出模型在寿命末端阶段仍有进一步改进空间。但作者未做超出数据支持范围的扩展推断，而是将其作为后续增强样本覆盖和阶段性加权建模的依据。

在讨论部分，研究人员进一步比较了24°C与43°C子集结果差异，指出24°C子集R²略高于43°C，但两者都达到令人满意的预测水平。43°C样本量较小导致统计区间更宽，同时高温加速反应可能形成更一致的退化轨迹，使其在一定程度上更易学习。作者还强调，长期服役BMS场景中，结果可重复性往往比平均精度的轻微提升更重要，而贝叶斯优化恰恰显著增强了模型稳定性。讨论还指出，与传统物理信息神经网络（physics-informed neural network, PINN）常通过额外物理残差损失项注入约束不同，本文采用保序标签正则、温度感知加权和边界约束推理等轻量方式，在不增加优化复杂度的前提下提升了跨温度泛化表现。

研究结论部分可译为：本文提出了一种用于不同温度条件下电池健康状态（SOH）估计的物理约束全连接神经网络（FCNN）框架，并结合贝叶斯超参数优化进行建模。该模型在NASA锂离子电池数据集上进行评估，使用了24°C和43°C条件下采集的数据。针对每种配置，均开展了10次独立实验以评估结果稳定性。在测试集上，所提出框架实现了平均R²为0.9419、平均MAE为0.0188的性能；其中24°C和43°C下的平均R²分别为0.9441和0.9217，表明模型在两种温度条件下均具有稳定表现。物理知识并非通过额外的基于物理的损失项引入，而是通过保序标签正则化、温度感知损失加权以及推理阶段边界截断进行融合。训练后，所有物理约束均得到满足：单调性违背损失为1.38 × 10^?6，边界违背为0，Verhulst模型偏差为4.03 × 10^?6。进一步采用留一电池交叉验证评估跨温度泛化能力，当仅以24°C数据训练时，模型在未见过的43°C电池B0018上取得R²=0.9495，显示出良好的跨温度迁移能力。与纯数据驱动方法相比，该框架在保持较低计算成本的同时，提供了更稳定且更符合物理规律的预测。所有输入特征均可由标准电池管理系统（BMS）测量获得，因此该框架适合在线实现。需要指出的是，本研究基于仅包含4个电芯、2种温度条件的单一公开数据集，未来仍需在更多电池化学体系、更宽温度范围及更复杂工况下进一步验证。