一种融合岭回归-卷积双向长短期记忆框架与双层迁移学习的锂离子电池高温健康状态估计方法

《Materials》：A Hybrid Ridge Regression–Convolutional Bidirectional Long Short-Term Memory Framework with Dual-Level Transfer Learning for State-of-Health Estimation of Lithium-Ion Batteries Under High Temperatures

　　

准确估计锂离子电池在高温条件（40–50 °C）下的健康状态（State-of-Health, SOH）仍然具有挑战性，因为加速的电化学降解和强非线性老化模式。研究人员提出了一种混合岭回归（Ridge regression）-卷积双向长短期记忆（Convolutional Bidirectional Long Short-Term Memory, Conv-Bi-LSTM）框架与双层迁移学习（Dual-Level Transfer Learning）策略。首先，Ridge回归基线捕获全局退化趋势，随后卷积双向长短期记忆网络学习非线性残差。对于跨电池适应，通过先验正则化回归迁移Ridge系数，并使用有限的目标域数据对预训练网络进行微调。该方法在清华大学、牛津大学和同济大学三个机构的循环数据集上进行了验证，涵盖了15个电池，温度高达50 °C。提取了四个健康相关特征（Health-Related Features, HFs），并使用局部加权散点图平滑（Locally Weighted Scatterplot Smoothing, LOESS）进行自适应去噪。在单电池外推中，所提方法在50 °C下的B6电池上实现了低至0.0009的均方根误差（Root Mean Square Error, RMSE），分别优于随机森林（Random Forest, RF）、长短期记忆（Long Short-Term Memory, LSTM）、双向长短期记忆（Bidirectional LSTM, Bi-LSTM）和Ridge回归91.1%、88.6%、87.7%和82.0%。跨电池消融实验表明，双层迁移学习策略将RMSE从约0.009降低到0.0028，而仅增加网络复杂度仅带来边际改善。进一步的分层消融表明，联合调整Ridge先验和残差网络实现了平均RMSE为0.004325，相对于无适应、仅Ridge适应和仅残差网络适应配置分别降低了9.39%、4.14%和6.92%。

锂离子电池健康状态（State-of-Health, SOH）是电池性能退化的重要指标，准确估计SOH对于电池管理系统（Battery Management System, BMS）的安全可靠运行至关重要。然而，在线测量的完整性和准确性有限，加之电池退化具有非线性、时变性和不确定性，给SOH估计带来了巨大挑战。现有方法分为基于特征、模型驱动和数据驱动三类。数据驱动方法因能够从传感器数据中提取老化信息并构建健康特征（Health-Related Features, HFs）与SOH之间的映射，成为主流。但现有研究主要集中于常温工况，高温条件（40–50 °C）下的SOH估计研究不足。在高温下，电极-电解质界面副反应加速，固体电解质界面膜（Solid Electrolyte Interphase, SEI）和阴极电解质界面膜（Cathode Electrolyte Interphase, CEI）生长重构，电解质分解加剧，导致可循环锂和电解质消耗，引起容量损失。同时，界面增厚、电解质耗尽和电极接触恶化阻碍离子和电子传输，内阻增加，极化加剧。耦合的退化过程导致高度非线性且依赖于电池的老化轨迹。此外，高温监测数据受传感器噪声和外部干扰影响，可能掩盖退化信息，降低SOH估计精度。因此，研究人员开展本研究，旨在开发一种准确且可迁移的SOH估计框架，以应对高温老化条件下的噪声干扰、非线性退化动力学和电池间差异。

研究人员提出了一种混合岭回归-卷积双向长短期记忆（Ridge-Conv-Bi-LSTM）框架，集成双层迁移学习策略。首先通过Ridge回归基线捕获全局退化趋势，再通过Conv-Bi-LSTM网络学习非线性残差。对于跨电池适应，通过先验正则化回归迁移Ridge系数，并使用有限目标域数据微调预训练网络。该方法在清华大学、牛津大学和同济大学三个机构的15个电池循环数据集上验证，温度覆盖25 °C、35 °C、45 °C和50 °C。提取了四个健康相关特征，并使用局部加权散点图平滑（LOESS）进行自适应去噪。实验结果表明，在单电池外推中，所提方法在50 °C下B6电池上取得0.0009的均方根误差（RMSE），优于Ridge回归、长短期记忆（LSTM）、双向长短期记忆（Bi-LSTM）和随机森林（RF）等基准模型，误差降低82.0%至91.1%。跨电池迁移实验中，在50 °C下B6电池上RMSE为0.0023，较基准模型降低89.7%至92.6%。消融实验表明，双层迁移学习将RMSE从约0.009降至0.0028，而仅增加网络复杂度改善有限。分层消融进一步证明，联合适应Ridge先验和残差网络达到最佳性能，平均RMSE为0.004325。该论文发表在《Materials》上，为高温下锂离子电池SOH准确估计提供了有效方法，具有良好的迁移能力和鲁棒性，支持电池健康管理。

主要关键的技术方法（不超过250字）：
关键技术方法包括：(1) 特征提取：从充放电数据中提取四个健康相关特征（HF1：固定电压窗口充电时间；HF2：脉冲内阻；HF3：恒流放电特征电压；HF4：固定电压窗口部分充电容量），这些特征对容量损失和电阻增长敏感，可从部分运行段提取，无需电化学测量设备。(2) LOESS去噪：对HF序列进行局部加权散点图平滑，固定归一化跨度0.2，平衡噪声抑制和趋势保留。(3) Ridge回归基线：使用归一化HF作为输入，通过多项式特征扩展和L2正则化拟合容量退化全局趋势，作为线性基准。(4) Conv-Bi-LSTM残差网络：一维卷积层提取局部时间模式，Bi-LSTM捕获双向长期依赖，学习SOH与Ridge预测之间的非线性残差。(5) 双层迁移学习：Ridge系数通过先验正则化回归迁移；Conv-Bi-LSTM网络使用预训练权重初始化并在目标域校准段微调，学习率降低至2×10^-4，L2正则化系数增加至10^-3。样本队列来源：清华大学（6 Ah LiFePO₄ pouch cells）、牛津大学（740 mAh pouch cells，公开数据集）、同济大学（Zhu等报道的电池），共15个电池，温度条件包括25 °C、35 °C、45 °C、50 °C。

研究结果（保留每个小标题）：

**4.1 实验设置**
研究人员在单电池外推、跨电池迁移和消融分析三个场景下，用电池B1–B6（清华）、C1–C3（牛津）和D1–D6（同济）的循环老化数据验证所提Ridge-Conv-Bi-LSTM框架，并与Ridge回归、LSTM、Bi-LSTM和随机森林（RF）比较。单电池外推中，数据按7:3分割为训练段和后续段，后续段前25%用于校准，后75%用于测试。跨电池迁移中，自适应规则确定目标域初始循环用于校准，剩余循环用于评估。核心超参数通过初步粗调确定，且测试集不参与参数选择。

**4.2 单电池外推**
选取B1、B4、B6（清华）和D2、D4、D6（同济）进行单电池外推。所提方法在清华数据集中，对B6电池在50 °C下取得RMSE为0.0009，较Ridge、LSTM、Bi-LSTM和RF分别降低82.0%、88.6%、87.7%和91.1%。在同济数据集中，对D6电池在45 °C下取得RMSE为0.0023，较Ridge、LSTM、Bi-LSTM和RF分别降低78.7%、81.3%、74.4%和50.0%。所提方法在平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）上也表现更优，证明其在不同温度下能准确且鲁棒地估计SOH。

**4.3 跨电池迁移**
跨电池迁移实验在三个数据集上进行，源-目标对包括B1→B2、B4→B3、B5→B6（清华），C1→C2、C2→C3（牛津），D1→D2、D3→D4、D5→D6（同济）。所提方法在清华数据集上，对B6电池在50 °C下RMSE为0.0023，较Ridge、LSTM、Bi-LSTM和RF分别降低89.7%、92.6%、91.9%和92.0%。在牛津数据集上，对C2电池RMSE为0.0033，较Ridge、LSTM和RF分别降低23.3%、56.0%和75.2%。在同济数据集上，对D4电池在35 °C下RMSE约为0.0029，较Ridge、LSTM、RF和Bi-LSTM分别降低85.8%、65.5%、63.3%和63.8%。结果表明所提方法在不同温度下跨电池SOH估计中具有准确性和鲁棒性。

**4.4 消融分析**
以D4→D3任务（同济）进行消融实验。无目标域适应的变体中，从Ridge到Ridge–Conv–Bi-LSTM，RMSE从0.00872增至0.00907，表明仅增加复杂度不能补偿分布差异。引入双层迁移学习后，RMSE降至0.00290，较无适应模型降低68.0%。分层消融实验（A0无适应、A1仅Ridge适应、A2仅残差网络微调、A3完整双层适应）显示：A3取得最低平均RMSE（0.004325）、MAE（0.003616）和MAPE（0.432206%），较A0分别降低9.39%、17.70%和18.75%，较A1分别降低4.14%、8.13%和9.86%，较A2分别降低6.92%、4.32%和4.35%。证明Ridge先验适应和残差网络微调功能互补，联合适应效果最佳。

**4.5 目标域比例校准分析**
在8个跨电池迁移任务中，考察5%、10%、15%、20%、30%五种校准比例。最优比例因任务而异：D1→D2仅需5%，C1→C2需10%，B2→B1和B4→B3需20%，B5→B6、C2→C3、D3→D4、D5→D6需30%。RMSE范围0.001412至0.016004，C1→C2最优（RMSE=0.001412），D1→D2最难（RMSE=0.016004，R²=0.753290）。6个任务在最优比例下R²≥0.9702。结果表明，需针对每个迁移任务单独选择校准比例，且有限目标域数据常能实现良好跨电池SOH估计。

总结讨论部分：研究人员在讨论中强调了所提方法在高温条件下的有效性，并指出未来研究方向包括电池组SOH估计和单体一致性建模，以支持全生命周期电池健康管理。研究结论部分翻译如下：
**结论**：为解决高温条件下电池健康状态预测不准确的问题，本文提出了一种新颖的Ridge-Conv-Bi-LSTM框架与双层迁移学习策略。该模型采用Ridge回归基线捕获全局退化趋势，作为后续残差学习的线性锚点；然后训练Conv-Bi-LSTM网络建模真实SOH与基线之间的非线性残差，增强提取复杂时间依赖的能力。此外，引入双层迁移策略——结合先验正则化Ridge系数适应和预训练网络的轻量级微调——以最小目标域校准数据实现快速跨电池适应。本研究的主要贡献总结为健康特征提取、单电池、跨电池和消融场景下的实验验证以及高温下的鲁棒性。从原始循环数据中提取了四个与容量衰减强相关的健康特征，随后应用局部加权散点图平滑算法对特征去噪，有效抑制干扰同时保留关键老化趋势，提高了训练数据的可靠性和质量。使用清华大学、同济大学和牛津大学的电池老化数据集评估所提框架。实验结果表明，该模型在常温和高温条件下均一致优于多个既定基准模型（包括Ridge、LSTM、Bi-LSTM和RF），在SOH估计精度上取得了显著提升。展望未来，电池组SOH估计和单体一致性建模有望为构建适应不同运行条件的全生命周期电池健康管理系统铺平道路，为先进储能应用提供更全面的技术支持。