基于加权相似度度量的锂离子电池健康状态估计选择性模型迁移

《Journal of Energy Storage》：Selective model transfer for lithium-ion battery state of health estimation based on a weighted similarity metric

　　

对锂离子电池健康状态（SOH）的准确估计对于安全可靠的电动汽车运行至关重要。大多数数据驱动方法依赖全寿命循环或放电测量，但在实际部署中无法获取这些数据，仅能收集到早期充电数据。本研究提出了一种相似度感知的迁移学习框架，用于确定何时应应用模型自适应以提高SOH估计精度。该框架从源长短期记忆（LSTM）模型的特征贡献中推导出一种加权相似度度量，利用早期充电统计数据量化退化接近度，并作为门控机制决定迁移学习或从头学习（scratch learning）哪种更合适。在三个数据集（MIT、NASA、Oxford）上的实验表明，在条件对齐时，仅基于充电的SOH预测可实现近乎无损失的精度（MIT均方根误差（RMSE）≈ 0.185%），且仅在相似度较高时迁移学习才带来改善，实现了72.9%的归一化增益。当相似度较低时，迁移学习会降低性能，从头学习仍保持优势。所提出的框架为安全、有条件的SOH部署提供了一种轻量级机制，并为未来异构电动汽车车队中的域对齐管道奠定了基础。

**论文解读：基于加权相似度度量的锂离子电池健康状态估计选择性模型迁移**

**研究背景与问题**

锂离子电池作为电动汽车（EV）的核心储能技术，其健康状态（SOH）的准确估计对保障车辆安全与可靠运行至关重要。传统方法依赖电化学模型或等效电路模型（ECM），但需大量参数标定与实验室表征，且在不同化学体系、充电协议和温度下精度下降。数据驱动方法，特别是深度学习，通过从电压、电流、温度时间序列中学习退化模式，展现了强大性能，但多数方法假设可获得全寿命老化数据，这在现实部署中不成立：新化学体系电池上市速度快于退化数据集收集，车载电池管理系统（BMS）仅能记录稀疏的早期充电信号。迁移学习（TL）被用于提升数据效率，但盲目迁移可能因源域与目标域在化学体系、充电行为或退化轨迹上的差异引发负迁移。现有文献缺乏一个原则性机制来判断何时迁移是合适的，相似性通常被假设而非量化，导致迁移学习在安全关键的SOH估计任务中存在风险。

**研究目的与意义**

本研究提出一种相似度感知的选择性迁移学习框架，旨在解决“何时应应用迁移学习”这一核心问题。研究人员利用仅包含早期充电数据（前30%循环）的输入，通过模型感知的加权相似度度量Dw量化源域与目标域的退化接近度，以此决定是否进行微调（fine-tuning）或从头训练（scratch learning）。该框架在三个公开数据集（MIT、NASA、Oxford）上验证，表明仅充电SOH预测在域对齐条件下可达近无损精度（MIT RMSE≈0.185%），迁移学习仅在相似度高时带来增益（72.9%归一化提升），相似度低时则导致性能下降。论文发表在《Journal of Energy Storage》，为异构电动汽车车队中的安全SOH部署和未来域对齐管道奠定了基础。

**主要关键技术方法**

研究人员采用以下关键技术方法（样本队列来源：MIT数据集45个LiFePO₄/石墨圆柱电池，NASA数据集4个LiCoO₂ 18650电池，Oxford数据集8个LiCoO₂ pouch电池）：
1. **健康指标（HI）提取**：从充电阶段提取10个可测量指标，包括总充电时长（t_chg）、各电压阈值的到达时间（t_V20, t_V40, t_V60, t_V80）、充电容量（Q_chg）、充电能量（E_chg）、恒压时长（t_CV）、平均温度（T_mean）和温度变化（T_Δ）。
2. **增量SOH学习**：使用两层LSTM网络预测长度L窗口内的SOH增量（ΔSOH），再递归重建绝对SOH，以减少噪声敏感度。
3. **模型感知加权相似度度量**：基于源域LSTM的梯度敏感性计算特征重要性权重w_i，结合源域特征统计量（μ_i, σ_i）构建加权距离D_w，量化目标与源域的退化接近度。
4. **阈值计算与选择性迁移**：从源域内部细胞间D_w分布的中位数导出阈值τ_D，若D_w ≤ τ_D则应用微调，否则选择从头训练。

**研究结果**

**Part I: 基线SOH估计（从头学习）**
- **MIT数据集**：在8个测试细胞上，充电SOH预测达到极低误差（MAE 0.114%，RMSE 0.185%，R² 0.998），证明域对齐条件下充电指标足以实现高精度。
- **NASA数据集**：采用留一细胞（LOCO）评估，从头学习平均MAE 2.38%，RMSE 2.90%，R² 0.78，显示细胞间显著变异性。
- **Oxford数据集**：LOCO评估下，从头学习平均MAE 1.03%，RMSE 1.16%，R² 0.90，尽管寿命短但性能中等。

**Part II: 迁移学习结果（MIT→MIT, NASA, Oxford）**
- **域内迁移（MIT→MIT）**：在30%早期观测下，8个细胞中5个经微调（FT–TL）后误差大幅降低（如CH5：RMSE从0.662%降至0.099%），但3个细胞显示边际或负变化，表明迁移并非普遍有益。
- **跨域迁移（MIT→NASA, MIT→Oxford）**：由于化学体系与协议不匹配，零样本（zero-shot）和微调迁移均导致性能下降，NASA目标集上FT–TL平均RMSE高于从头学习，Oxford目标集上所有细胞R²为负值，表明迁移导致严重负迁移，甚至不稳定（如B0018）。

**Part III: 相似度-结果诊断与选择性迁移效果**
- **相似度-结果关系**：在MIT域内，D_w与迁移收益（ΔRMSE）呈强Pearson相关（r=-0.63），而欧氏距离和余弦距离相关性较弱。D_w较小的细胞（如CH5, CH11）迁移收益最大，较大者（如CH16, CH17）无改善。
- **选择性迁移总结**：基于阈值τ_D=1.21，5个MIT细胞被判定为可迁移，选择性迁移策略在该子集上达到RMSE=0.151%，接近全微调（0.149%），同时避免了不适配细胞上的负迁移。跨域场景下所有细胞均被判定为不相似，避免迁移，平均RMSE（2.50%）远低于盲目迁移（3.68%）。
- **跨文献归一化比较**：提出的选择性LSTM框架实现72.9%归一化改善，优于盲迁移（DA-CNN TL 21%）、自适应迁移（IDATL-GRU 46%）及先前相似度感知方法（GRU-TL 59.6%）。

**讨论与结论**

讨论部分指出，充电仅SOH估计算法在域对齐时可行，但迁移学习成功高度依赖于早期相似度。选择性迁移策略在域内准确预测了7/8细胞的迁移效果，避免了对非对齐细胞的无效微调。跨域失败源于大域距离（高D_w）与弱早期信号，选择性操作通过默认采用从头学习避免了负迁移。三个设计启示：充电仅SOH可行但需条件；相似性必须门控迁移决策；未来迁移研究应优先关注域对齐机制。局限性包括：假设前30%循环包含足够退化信息，相似度度量可能不泛化到其他协议/化学体系，且跨域结果受限于早期信号信息含量。

**研究结论部分翻译**：本文提出了一种相似度感知的迁移学习框架，用于仅使用早期充电数据的锂离子电池健康状态（SOH）估计。在MIT、NASA和Oxford数据集上的实证分析表明，仅充电SOH预测是可行的；然而，其可靠性强烈依赖于域对齐和早期信号的信息量。在MIT域内（化学体系和协议条件对齐），从头学习已实现近乎无损失的精度（RMSE ≈ 0.185%）。迁移学习仅为早期特征与源域足够相似的细胞带来额外收益。所提出的相似度度量D_w成功预测了8个MIT案例中的7个迁移效果，并实现了选择性迁移策略，达到RMSE = 0.151，有效匹配全微调同时避免了负迁移。跨域评估揭示，当退化轨迹或信号特征差异显著时，迁移学习可能有害，强调了迁移决策往往比模型复杂性更重要。因此，本研究的贡献在于将迁移学习重新定义为一种条件操作，仅在数据相似性支持时激活。未来工作将聚焦于协议感知和域自适应对齐（如CORAL/MMD）、改进的跨化学体系迁移初始化、基于真实电动车队的大规模验证，以及集成不确定性量化和在线增量学习，以支持在电池管理系统中的实际部署。