基于迁移学习的极化感知建模从部分充电数据估计SOH

《Scientific Reports》：Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling

　　

准确的状态健康（SOH）估计在不完全充电数据下仍然困难，当电池在可变充电协议下运行且先前的极化历史未知时。许多现有数据驱动方法要么依赖手工设计的健康指标，要么假设相对固定的采样条件，这限制了它们在充电片段位置、持续时间和电流分布不同时的鲁棒性。在本研究中，研究人员开发了一个迁移学习框架，其中长短期记忆（LSTM）网络首先在电压预测任务上进行预训练，然后针对SOH估计进行微调。其动机是，准确的电压预测需要隐藏状态编码潜在的极化动力学，该动力学将最近的电流-电压历史与未来的电池响应联系起来。使用公共的Severson快充数据集（包含124个商用磷酸铁锂/石墨电池），研究人员在起始位置变化的20%容量充电片段上评估了所提出的框架。在本研究使用的匹配内部协议下，与直接LSTM训练相比，迁移学习将SOH估计的平均绝对误差从1.75%降低到0.91%，均方根误差从2.35%降低到1.30%。研究人员进一步澄清了比较协议，讨论了跨论文比较的范围和局限性，并将该方法与最近的基于部分充电、基于CNN、基于Transformer和迁移学习的研究进行了比较。结果支持机制知情预训练在提高数据效率和鲁棒性方面的价值，同时也表明在统一协议下进行更广泛的基准重跑仍然是未来工作的重要下一步。

**研究背景与问题**
锂离子电池因其高能量密度、长循环寿命和良好的功率能力，广泛应用于电动汽车、便携式电子设备和固定储能系统。然而，在运行过程中，由于耦合的物理化学老化机制（包括可循环锂损失、固体电解质界面（SEI）膜生长、活性材料结构退化、电解液分解以及在苛刻充电条件下的锂枝晶生长），电池性能逐渐退化。因此，可靠的状态健康（SOH）估计对于安全管理、维护调度和寿命感知控制至关重要。现有SOH估计方法可分为基于模型的方法、基于特征的数据驱动方法和端到端学习方法。尽管进展迅速，但仍存在若干挑战，包括对不规则采样的鲁棒性、对预处理和特征选择的敏感性、跨条件泛化能力有限、研究间基准测试不够公平，以及预测准确性与物理可解释性之间的权衡。这些挑战在实际电池管理系统中尤为突出，因为完整充电记录往往不可用，而高质量标记的退化数据获取成本高昂。

传统上，SOH评估通常基于相对受控实验室条件下的完整充电或放电曲线。然而，在实际应用中（如电动汽车和大型储能系统），充电常常从任意荷电状态开始，并在完全充电前结束。这一实际约束促使研究人员对从部分充电数据估计SOH的兴趣日益增长。现有研究提取手工设计的健康指标，如增量容量（IC）峰值、微分电压特征、部分电压描述符、积分电压指标等，或采用端到端序列学习（如卷积神经网络（CNN）、循环神经网络（RNN）、门控序列模型和Transformer架构）直接从部分充电片段中学习。然而，一个重要但未被充分强调的困难是：测量的充电电压不仅受当前电流和长期退化状态影响，还受电池潜在内部动态状态的影响。即使两个充电片段遵循相似的外部电流协议，其电压轨迹也可能不同，因为内部极化状态强烈依赖于近期运行历史并随时间松弛。因此，部分充电数据不仅包含退化信息，还包含瞬时的历史依赖电化学信息，这些信息在电池管理系统中不可直接观测。

**研究内容与结论**
研究人员提出了一种迁移学习框架，用于从部分充电数据估计锂离子电池SOH。该框架中，长短期记忆（LSTM）网络首先在电压预测任务上进行预训练，然后针对SOH回归进行微调。科学假设是：准确的电压预测需要网络编码与极化相关的潜在历史信息，这些信息也有利于下游的SOH估计。使用公共Severson快充数据集（包含124个商用磷酸铁锂/石墨电池，标称容量1.1 Ah），研究人员在起始位置变化的20%容量充电片段上评估了该方法。在匹配的内部协议下，与直接LSTM训练相比，迁移学习将SOH估计的平均绝对误差（MAE）从1.75%降低到0.91%，均方根误差（RMSE）从2.35%降低到1.30%。该研究发表在《Scientific Reports》上。研究结果支持机制知情预训练在提高数据效率和鲁棒性方面的价值，同时表明在统一协议下进行更广泛的基准重跑仍然是未来工作的重要方向。

**主要技术方法**
研究使用公共Severson数据集（124个商用磷酸铁锂/石墨电池，标称容量1.1 Ah，在30°C恒温箱中老化，循环寿命约150-2300次）。关键方法包括：1）基于LSTM的电压预测预训练任务，通过电流、电压和容量步长序列进行监督；2）迁移学习框架，将预训练的循环参数转移到SOH估计模型，仅替换并微调输出头；3）部分充电样本生成策略：为每个循环生成20%标称容量的观测窗口，起始点从0%到50%以1%步长移动，产生最多51个样本；4）与直接训练LSTM、一维CNN和随机森林基线进行对比，所有模型使用相同的数据划分、预处理和输入表示。

**研究结果**
**电压预测预训练任务**：模型在电压预测上实现了4.3 mV的MAE和10.2 mV的RMSE，表明循环表示学会了跨循环和充电协议准确跟踪短期电压演化。较大的电压预测误差集中在电流切换点附近，但局部扰动随序列推进迅速衰减，符合循环状态吸收近期极化历史信息的预期作用。

**SOH估计性能**：所提出的方法在匹配内部协议下实现了0.91%的MAE和1.30%的RMSE；直接训练LSTM基线为1.75%的MAE和2.35%的RMSE；一维CNN为0.99%的MAE和1.41%的RMSE；随机森林为1.80%的MAE和2.50%的RMSE。大多数预测紧密围绕参考SOH值，较大偏差出现在更老化的循环或协议转换区域。该结果支持核心主张：电压预测预训练为循环状态表示提供了更信息丰富的初始化，并改善了SOH估计。

**与现有研究的比较**：研究人员指出，在Severson数据集上发表的研究在预测目标（容量或SOH）、单位（归一化或百分比）、训练/测试划分、是否跨电池预测以及输入窗口定义等方面存在至少四个差异，因此跨论文数值比较应视为上下文参考而非严格一一对应。近期一个基于Transformer的自监督SOH研究在自身协议下报告了约0.98%的MAE和1.07%的RMSE；一个Transformer-LSTM融合模型在所选设置下表现强劲，但训练/测试定义和特征工程不同。这些研究证实了该领域的高度竞争性。

**讨论与结论**
研究人员讨论了极化动力学在部分充电SOH估计中的关键作用，以及LSTM的细胞状态如何作为隐式表示吸收近期极化历史。研究强调了机制知情预训练的实际价值，但同时也指出了局限性：所有实验在单一LFP/石墨电池数据集上进行，未明确建模温度效应和其他实际混杂因素，评估依赖于固定训练/测试划分而非重复交叉验证。未来工作将集中于更广泛的基准测试、温度感知建模以及扩展到其他化学成分和运行条件。研究结论部分（翻译）：本研究提出了一种用于锂离子电池从部分充电数据估计SOH的迁移学习框架，其中电压预测预训练任务用于初始化基于LSTM的SOH估计器。关键思想不仅是重用相关任务的权重，而是利用准确电压预测需要循环表示编码与极化演化密切相关的历史依赖内部信息这一事实。微调该表示用于SOH估计，比单独在稀疏SOH监督上直接训练提供了更信息丰富的起点。在Severson数据集上的实验表明，在匹配内部协议下，所提方法显著优于直接训练LSTM基线，并且也优于在同一数据划分和输入构建下实现的CNN和随机森林基线。这些发现支持了在异构充电策略下从短充电片段进行SOH估计时机制知情预训练的实际价值。同时，论文更谨慎地陈述了结论：当前实验证明了相对于所考虑的内部匹配基线的明显优势，但针对所有先前方法的更广泛主张需要额外在统一协议下重跑。