基于放电退化特征的跨域电池健康状态估计:一种改进的循环S形分段线性框架

《JOURNAL OF POWER SOURCES》:Cross-domain battery state-of-health estimation from discharge degradation features: An enhanced recurrent sigmoid piecewise linear framework

【字体: 大 中 小 】 时间:2026年08月13日 来源:JOURNAL OF POWER SOURCES 8.4

编辑推荐:

  摘要:跨域电池健康状态估算十分困难,因为不同数据集的电池化学成分、循环测试方案以及老化轨迹存在差异,且可用于校准的带标签目标域电池样本极为有限。本研究以MIT电池为源域,XJTU电池为目标域,将放电过程中获取的老化特征与改进型的递归S形分段线性单元——EnhancedRSPL相结

  摘要:跨域电池健康状态估算十分困难,因为不同数据集的电池化学成分、循环测试方案以及老化轨迹存在差异,且可用于校准的带标签目标域电池样本极为有限。本研究以MIT电池为源域,XJTU电池为目标域,将放电过程中获取的老化特征与改进型的递归S形分段线性单元——EnhancedRSPL相结合用于模型构建。评估过程包括预训练、跨批次验证、零样本/少样本迁移学习,以及在TJU数据集上的外部验证。从每次循环中提取五种放电特征,并通过早期循环数据将其转换为相对老化速率特征。EnhancedRSPL通过对原始RSPL更新机制进行温度缩放路由、双候选状态设定、泄漏记忆机制以及归一化处理等改进。经过1–3个带标签目标电池的适配后,该模型在所有五项少样本任务中均取得了最低的均方根误差,平均RMSE为0.7628%,平均R2值为0.9692。在TJU数据集上的外部验证表明,该模型能够有效适应不同的电池化学成分和温度条件。消融分析显示,相对特征、双分支更新机制、LayerNorm层归一化以及选择性微调是提升模型性能的关键因素。SHAP值分析以及基于健康状态条件的潜空间分析表明,模型的特征依赖性更趋向于目标域特征,源域与目标域之间的表征差异也有所缩小。这些研究结果为新型电池或新测试方案的实用校准提供了理论支持。

引言:由于锂离子电池具有高能量密度和长循环寿命的优点,已被广泛应用于电动汽车、便携式电子设备以及储能系统中[[1], [2], [3]]。随着循环次数的增加,电池内部会逐渐出现活性锂损失、活性材料衰减以及极化程度上升等老化现象,从而导致电池容量下降、功率性能减弱,进而影响系统的运行安全性和可靠性[4,5]。因此,电池健康状态估算已成为电池管理和智能诊断领域的核心问题[1,6,7]。在实际应用中,电池健康状态估算不仅需要具备较高的估算精度,还需保持较强的鲁棒性以及一定的可解释性,以便为后续的运行决策和寿命管理提供依据。

现有的电池健康状态估算方法大致可分为三类:经验与机理建模方法、基于测量或诊断的方法,以及数据驱动方法[8,9]。经验与机理模型通常具有良好的物理可解释性,因为它们可以通过应力因素、等效电路参数或电化学状态变量来描述电池容量衰减过程[[10], [11], [12]]。不过,这类方法往往需要对特定电池化学成分和运行条件进行参数识别与模型校准,因此在跨平台迁移或复杂运行场景下,模型构建成本相对较高。基于测量或诊断的方法,如阻抗分析、容量测试和差分曲线分析,能够提供更直接的电池老化相关信息,但这类方法通常需要额外的测试流程、稳定的激励条件或较长的测量时间,限制了其在实际场景中的应用[13]。

数据驱动方法则无需完整的机理模型或额外的诊断测试,即可学习电池健康状态与电压、电流、温度等运行信号所对应的健康相关信息之间的非线性关系[14]。然而,这类方法的性能容易受到数据质量、预处理方式、特征构建方法以及运行条件一致性等因素的影响[15]。目前有一些研究在特定数据集或相对可控的条件下实现了较高的估算精度。Yu等人提出了SDE-BiLSTM模型,在12种具有不同充电策略的数据集上,其估算得到的RMSE值均低于0.83%[16]。Wei等人将多特征提取技术与MSHHO-DELM模型相结合,提升了不同数据集下的电池健康状态估算精度[17],而Sonthalia等人则采用贝叶斯优化的混合深度学习框架,整合了电压、时间和IC曲线特征来进行估算[18]。不过,仅在单一数据集上取得的高精度并不必然意味着模型能够迁移到其他电池化学成分或测试条件下。由于材料体系、循环速率、温度以及数据采集平台的差异,源域与目标域之间的特征分布可能会出现较大变化。因此,近期有研究开始探索迁移学习、领域自适应、领域泛化以及少样本学习等方法,以提高电池健康状态估算模型的跨域适用性[[19], [20], [21]]。Dou等人通过潜空间一致性以及对抗学习方法,学习了与速率、温度和电池化学成分无关的恒定健康特征,以实现模型在不同条件下的迁移[22]。Feifan Li等人将局部最大均值差异方法引入无监督子领域自适应框架,用以减少源域与目标域之间的分布差异[23]。Xiaopeng Li等人则开发了一种基于自注意力机制的迁移学习方法,利用10%的早期循环目标数据,实现了在不同正极材料、温度和循环方案下的模型迁移[24]。

不过,不同的迁移学习方法对目标域信息的利用方式各不相同。无监督领域对齐和零样本泛化方法通常侧重于在不使用目标域标签的情况下直接实现模型迁移,而在线电池健康状态估算方法则更注重利用目标电池的早期使用数据或部分生命周期内的数据。在电池研发、测试方案筛选或新电池系统验证等场景中,目标域中可能仅有少量电池拥有较为完整的生命周期标签。如何将这些数量有限但信息完备的目标域带标签数据转化为有效的模型校准信息,以及如何让在源域预训练好的模型能够在目标域中实现稳定适配,仍是需要进一步研究的课题。

除了估算精度之外,探究模型在跨域自适应过程中的变化情况也同样重要。源域与目标域之间的表征差异可以反映出少样本校准是否有效降低了两者之间的不匹配程度,而特征贡献度分析则可以展示模型在自适应之后的老化特征依赖模式发生了怎样的变化。诸如SHAP这样的可解释机器学习方法已被用于分析电池健康状态估算中的特征作用机制[[25], [26], [27]]。不过,关于少样本跨域自适应前后潜空间差异与特征依赖模式的变化规律,目前仍缺乏足够的研究。

除了可解释性之外,模型复杂度也是跨域电池健康状态估算框架需要考虑的重要因素。大型深度学习模型通常包含更多的参数,需要更高的存储资源,且在推理时的计算成本也更高,这可能会增加其在实际应用中的计算负担。因此,在只有少量目标域电池可用于校准的情况下,还应考虑采用更轻量级的模型设计。

为解决上述问题,本研究提出了一种轻量级且具备迁移能力的数据驱动型校准框架,用于跨数据集的电池健康状态估算。该框架主要由三部分组成:基于放电过程的特征表示方法、轻量级递归建模方法,以及电池级少样本迁移方法。具体而言,首先从放电过程中持续提取与电池老化相关的特征,然后构建针对每个电池的相对老化速率特征,以此降低不同电池及不同数据集之间绝对尺度差异带来的影响。基于这些特征,研究者构建了一种结合卷积神经网络与改进型递归S形分段线性单元的轻量级模型——CNN-EnhancedRSPL,该模型能够在保持较低模型复杂度的同时,捕捉不同循环周期下的电池老化演变规律。该模型首先在源域进行预训练,随后再利用少量已完全特性分析的目标域校准电池进行选择性微调,从而在模型部署之前,将源域的电池老化知识迁移到同一目标域内的其他电池上。该框架首先在MIT电池到XJTU电池的迁移任务上进行了测试,随后又使用TJU数据集作为扩展的外部验证集,以检验该模型的迁移性能在另一公共数据集上是否依然稳定。此外,还使用了SHAP方法来分析少样本自适应过程中特征贡献模式的变化情况。

本研究的主要贡献可总结如下:(1)针对仅有少量已完全特性分析的校准电池的目标域,提出了一种电池级少样本迁移方法。该方法利用这些电池完整的老化轨迹来适配在源域预训练好的模型,从而在没有大规模带标签数据的情况下,也能对目标域中剩余的电池进行健康状态估算。(2)构建了基于放电过程的相对老化速率特征,以提高跨数据集电池健康状态估算中特征之间的可比性。从有效的放电循环中提取五种老化特征,并将其与每个电池的早期有效循环数据相对应,这样模型就可以根据初始状态来描述电池的老化演变过程,而无需直接依赖特征的绝对数值。(3)针对少样本目标域自适应场景下的跨循环电池老化建模,开发了一种轻量级的CNN-EnhancedRSPL模型。EnhancedRSPL通过对原始RSPL单元进行温度缩放路由、双候选状态设定、泄漏记忆机制以及归一化处理等改进,结合选择性微调机制,能够在保持模型复杂度较低的同时,将源域的电池老化表征信息迁移到目标域。(4)通过扩展的外部验证以及多层次的分析,对该框架的有效性、自适应表现以及实际应用潜力进行了评估。通过TJU数据集的验证、仅针对目标域的对比分析,以及特征、结构、策略层面的消融实验,明确了该框架的泛化能力以及性能提升的来源;同时,通过基于电池健康状态条件的潜空间差异分析、SHAP方法解读以及计算效率分析,研究了模型表征差异、特征依赖模式的变化以及模型的运行效率。

图1展示了所提出的跨域电池健康状态估算框架的整体结构,包括特征构建、源域预训练以及少样本目标域自适应这三个部分。本文的其余内容安排如下:第2节介绍数据集、特征构建方法、模型架构以及少样本自适应框架;第3节展示迁移学习的结果,并通过对比分析、消融分析、外部验证分析、潜空间分析、可解释性分析以及效率分析等方法,对所提出的框架进行综合评估;第4节对全文内容进行总结。

数据集:本研究采用了MIT数据集[28]和XJTU数据集[29]作为主要数据基础,用于构建跨域锂离子电池健康状态估算任务,同时还引入了TJU数据集[30]作为扩展的外部验证数据集。MIT数据集与XJTU数据集在电池化学成分、测试方案、容量规模以及老化轨迹特征等方面存在显著差异,因此构成了具有明显分布差异的跨域健康状态估算场景。引入TJU数据集则是为了……

特征相关性分析:为判断所选出的相对老化特征是否适合用于跨域电池健康状态估算,研究者分别针对MIT数据集和XJTU数据集,计算了这些特征与电池健康状态之间的皮尔逊相关系数和斯皮尔曼相关系数。皮尔逊相关系数用于描述特征与健康状态之间的线性关联程度,而斯皮尔曼相关系数则用于反映二者之间的单调关联关系。相应的热图分别如图4(a)和图4(b)所示。如图4(a)所示,所有被选出的特征都与电池健康状态呈负相关关系。

结论:本研究通过将放电过程中获取的相对老化速率特征与CNN-EnhancedRSPL模型相结合,构建了一种轻量级的电池级少样本校准框架,用于跨域锂离子电池的健康状态估算。该框架通过在MIT数据集的前2批数据上进行的源域预训练、在MIT数据集的第3批数据上进行的源域跨批次验证、在XJTU数据集的前2批数据上进行的零样本及1–3样本自适应训练,以及在TJU数据集上进行的扩展外部验证,完成了性能测试。测试结果表明,该框架具有较低的误差率……

手稿准备过程中生成式AI及AI辅助技术的声明:在撰写本论文的过程中,作者们使用了ChatGPT(OpenAI)工具来协助文本的翻译和语言润色。在使用该工具之后,作者们对内容进行了必要的审阅和修改,并对最终发表文章的内容承担全部责任。

CRediT作者贡献声明:黄瑞鹏:概念构思、数据整理、形式分析、研究实施、方法设计、资源获取、软件应用、实验监督、结果验证、可视化处理、初稿撰写、论文修订。杨鹏:研究实施、结果验证、可视化处理、论文修订。李佳兰:研究实施、可视化处理、论文修订。周典:研究实施、论文修订。曾汉熙:研究实施、论文修订。陈志恒:研究实施……

利益冲突声明:作者们声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢:本研究得到了广东省基础与应用基础研究基金(编号2025A1515010684)、汕尾市科技计划项目(编号2023A015、250517198942786)、2024年度“攀登计划”广东省大学生科技创新培育专项基金项目(编号pdjh2024a110)、华南师范大学研究生科研创新项目以及华南师范大学青年教师研究与培养基金的资助。

黄瑞鹏|杨鹏|李佳兰|周典|曾汉熙|陈志恒|江泽轩|林宣珍|易津|余颖|茹强|李建辉
中国广东省汕尾市516600,华南师范大学材料与新能源学院
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号