贝叶斯自适应时间窗优化（BATWO）：动态工况下锂离子电池健康状态估计特征提取方法

《Batteries》：BATWO: Bayesian Adaptive Time Window Optimization for Feature Extraction in SOH Estimation of Li-Ion Batteries Under Dynamic Operating Conditions

　　

锂离子电池的准确健康状态（State of Health, SOH）估计对电动汽车可靠性至关重要。然而在动态工况下，基于固定时间窗的传统特征提取常因忽视非平稳电压响应中固有的多时间尺度参数耦合而泛化性差。针对该问题，研究人员提出贝叶斯自适应时间窗优化（BATWO）框架用于电池SOH估计的特征提取。在该框架中，时间窗长度被视为可学习的结构参数，并通过贝叶斯优化自适应优化，以识别在给定工况下提取退化敏感统计特征最具信息量的观测时间尺度。在包含69个经历不同动态工况循环的锂离子电池样本的循环老化数据集上的评估表明，最优时间窗长度差异显著，范围从500 s到27630 s。BATWO框架取得平均均方根误差（Root-Mean-Square Error, RMSE）2.07%和平均绝对误差（Mean Absolute Error, MAE）1.45%，优于最佳固定时间窗策略，RMSE和MAE分别降低2.35%和2.68%。此外，与无特征提取的LSTM和Transformer基模型相比，BATWO框架训练时间减少超97%。这些结果凸显了BATWO框架优越的泛化能力与计算效率，表明其在电池管理系统（Battery Management System, BMS）实际部署中的巨大潜力。

研究背景方面，随着电动汽车快速发展，锂离子电池成为主导储能技术，其SOH直接影响车辆可靠性和安全性。准确SOH估计是寿命管理、故障诊断及智能预测BMS发展的关键。但在实际应用中，电池运行负载激励具有强随机性、间歇性和多时间尺度波动特点，主动材料损失、锂库存损失和内阻增长等多种退化机制在不同时间尺度上耦合于电压响应中，导致SOH相关信息随工况动态变化。现有模型驱动方法依赖等效电路或电化学模型，在复杂动态工况下参数辨识非线性强且易漂移；深度学习端到端方法虽能捕捉非线性关系，但需大规模数据与算力，且缺乏物理可解释性、难以在BMS部署；基于特征工程的机器学习方法计算复杂度低、可解释性强，但传统固定时间窗或容量区间划分假设退化信息可在预定义范围内一致捕获，无法适应动态工况下退化信息时间尺度的偏移，限制泛化性。因此，研究人员开展本研究，旨在将观测时间窗作为可学习结构参数，通过贝叶斯优化自适应寻找最优退化观测时间尺度，联合统计特征提取与轻量回归实现高精度、低耗时、可解释的SOH估计。论文发表于《Batteries》。

主要关键技术方法上，研究人员采用Stanford与SLAC公开动态循环老化数据集，含69个NCA正极/氧化硅-石墨复合负极18650电芯，分Periodic、Synthetic、Drive三类动态工况，温度35℃，以RPT周期参考性能测试得真实容量标签。方法链包括：将时间窗长度作为整数变量（500 s至各工况平均C-rate放电时长60%），以RMSE与MAE加特征-SOH平均Pearson相关加权为多目标，用高斯过程（Gaussian Process, GP）代理模型配Matérn核与期望改进（Expected Improvement, EI）采集函数做贝叶斯优化（最多15次评估）；在最优窗内提取电压段最大值、最小值、均值、标准差、方差、极差、偏度、峰度8个健康指标（Health Indicators, HIs）；以Pearson相关系数阈值0.7筛选退化敏感特征；最后用结合L1与L2正则的ElasticNet回归映射至SOH，训练集按时间前80%划分、后20%测试，优化仅用训练集。

研究结果部分，贝叶斯自适应时间窗优化结果显示，最优窗长跨工况从500 s至27630 s，Periodic与Synthetic偏短、Drive偏长，同平均C-rate不同工况窗长仍差异显著，证明退化信息时间尺度依赖不仅由负载强度决定，也由工况剖面决定；BATWO在Periodic条件RMSE 1.91%–3.74%，Synthetic 1.55%–3.14%，Drive C/16与C/10分别仅0.79%与1.48%；F_max在Periodic与Drive中与SOH相关超0.95，Synthetic则需F_min、F_mean、F_range、F_std、F_var联合表征。与深度学习基线对比中，BATWO+ElasticNet在Periodic C/5较LSTM、Transformer的RMSE降低约77.3%与84.1%，Drive C/16较二者降低20.2%与45.9%，ElasticNet训练时间多数为1–2 s，较LSTM/Transformer超25 s训练耗时减少95%以上。与其他机器学习模型对比中，ElasticNet在多数工况优于SVR与XGBoost，Synthetic C/5与C/2的RMSE仅1.55%与1.69%，XGBoost在Periodic下RMSE超5%，SVR在Synthetic下RMSE常超10%。与固定时间窗（1200 s、2400 s、3600 s）对比，自适应方法平均RMSE较最佳固定窗降2.35%、MAE降2.68%，较最差固定窗降2.68%与3.00%，极端最大降幅8.52%与9.07%。不同时间窗优化策略对比中，网格搜索与随机搜索需9–70次评估，BATWO仅15次，Drive C/16优化时间由830 s以上降至198.10 s，验证贝叶斯优化以代理模型复用历史信息、聚焦潜力区的高效性。

讨论与结论部分，研究人员指出固定时间窗因无法适应多时间尺度耦合与工况差异而泛化受限，BATWO将时间窗结构参数化并经GP-EI黑盒优化，联合相关筛选与ElasticNet，在69样本三工况下平均RMSE 2.07%、MAE 1.45%，较最佳固定窗RMSE/MAE降2.35%/2.68%，较LSTM/Transformer训练时间降97%以上。结论明确：动态工况下SOH退化信息具强时间尺度依赖性，最优窗500–27630 s；BATWO提取的统计退化特征有效刻画老化；框架在精度、算力、可解释性间取得平衡，适合资源受限BMS周期评估。研究人员也说明局限——仅单数据集（NCA/氧化硅-石墨、恒温35℃），化学体系与环境温度变化需重新数据驱动优化；最长27630 s窗反映驾驶剖面时序特征而非SOH更新等待时间，贝叶斯优化离线完成，在线仅留特征提取与ElasticNet推理。未来将研适配在线窗口调整策略，并在多化学体系与多环境条件下验证。