基于真实充电行为分析与碎片化数据相空间拓扑的锂离子电池健康状态估计

《JOURNAL OF POWER SOURCES》：State of health estimation of lithium-ion batteries based on real-world charging behavior analysis and phase space topology of fragmented data

　　

## 摘要

现实世界中电动汽车快充数据的碎片化与随机化特性，对准确估计电池健康状态（SOH）构成了重大挑战。为应对数据截断问题，本研究提出了一种新颖的诊断策略，通过二维相空间重构（PSR）从部分多阶段恒流（MSCC）片段中提取非线性拓扑健康指标。随后，利用去噪聚合Transformer（DA-Transformer）建立退化映射。该架构整合了一个用于潜变量噪声抑制的特征纯化映射块（FPM-Block）以及用于时序建模的全局自注意力机制。该模型的泛化能力在相同条件和跨条件验证下得到了系统评估。实验结果表明，DA-Transformer仅使用随机的局部片段即可实现高精度SOH估计。值得注意的是，在针对完全未见过的MSCC协议的严格跨条件验证中，该框架在40%–80%的荷电状态（SOC）区间内保持了强大的拓扑不变性。该模型成功将均方根误差（RMSE）控制在0.0059–0.0063之间，展现了极具竞争力的准确性和鲁棒性，适用于实际部署。

## 引言

可充电锂离子电池因其重量轻、能量密度高、运行性能优异、使用寿命长且成本低等显著优势，已成为电动汽车（EV）的主要电源，并在汽车行业中获得越来越广泛的应用[1], [2]。然而，随着充放电循环次数的不断增加，电池容量不可避免地会持续退化[3], [4]。这种退化本质上会导致电池健康状态（SOH）恶化，在严重工况下可能引发灾难性的安全故障。为提高电池利用率、安全性和耐久性，精确的SOH估计已成为先进电池管理系统（BMS）的核心功能[5]，对于确保电动汽车安全运行和维护全生命周期最佳性能具有至关重要的意义。

电池SOH通常通过将老化电池的性能参数与其初始全新状态下的基准值进行比较来评估，常用的定量依据包括电池容量或内阻。业界普遍认为，内阻增加100%或容量衰减超过20%即表示电池已到达寿命终止状态[6]。现有的SOH估计算法可大致分为基于模型的方法和数据驱动方法[7]。基于模型的方法依赖锂离子电池的内部机理来刻画老化演变和潜在失效模式。同时，基于自适应滤波的算法通过持续监测外部参数来实现健康估计；卡尔曼滤波器[8]、扩展卡尔曼滤波器[9]和粒子滤波器[10]等状态观测器构建解析估计器以推导SOH。基于模型的方法严重依赖预建立模型的准确性和结构鲁棒性。然而，在现实工况大幅波动的情况下，模型参数变化显著，导致精确参数辨识极为困难。

数据驱动方法已成为电池SOH估计的一条高效且可行的技术路径，其中机器学习算法是主流框架[11], [12]。这些方法纯粹基于历史数据建模复杂的非线性退化特性，无需了解复杂的内部电化学动力学先验知识，可有效挖掘容量衰减机理[13], [14]。目前，各种算法（包括支持向量机[15]、长短期记忆（LSTM）网络[16]和迁移学习[17]）已广泛应用于SOH估计研究中。由于标准SOH测量需要精密测试设备和严格控制的实验室环境，在电动汽车实际行驶过程中获取电池真实SOH仍极具挑战性。从易于获取的电流、电压和温度时序数据中提取代表电池老化特性的自适应健康指标（HI）作为模型输入，已成为主流解决方案[18]。例如，现有文献提出了基于等充电压区间[19]、随机部分充电特征提取[20]和自适应容量跟踪[21]的健康指标。

与放电过程相比，锂离子电池的充电过程显著更加稳定且可控[22]。大多数现有研究中选择的HI均基于传统的恒流-恒压（CC-CV）充电协议提取。因此，部分学者专门从部分恒流（CC）充电数据中提取特征以构建回归模型[23], [24], [25]，另一些学者则采用LSTM网络在多阶段恒流（MSCC）模式下进行相关估计研究[26]。然而，这些工作中提出的HI通常是从完整的MSCC充电过程中提取的。考虑到实际车载充电曲线高度可变且被截断的特性，亟需开发面向部分MSCC充电片段的特征提取方法。然而，部分充电片段固有的随机截断导致了传统时域和频域特征指标的严重丢失。

除了数据截断之外，现实世界的测量信号不可避免地受到恶劣环境干扰和传感器噪声的污染。这种噪声会扭曲提取的健康特征（如增量容量峰值），对鲁棒的电池状态预测构成了不可忽略的挑战。为减轻这些干扰，大量工作致力于高级滤波技术的研究。例如，Mao等人[27]设计了一种自适应动态滑动窗口，以实现抗噪声的电池模型辨识。Xia等人[28]采用鲁棒的局部加权散点图平滑方法来提取无噪声的多源电化学和热特征。最近，Chen等人[29]开创了一种高度鲁棒的在线二维滤波框架，融合了自适应Taylor卡尔曼滤波器和改进的高斯滤波器，成功消除了差分老化曲线在时间和周期两个维度上的测量噪声。

受这些前沿工作在多维噪声抑制方面所展现的启发，本研究从拓扑几何和深度学习表示的角度来应对抗干扰挑战。具体而言，基于Takens嵌入定理[30]的相空间重构（PSR）技术将一维局部观测序列映射回高维相空间。通过恢复动态系统的吸引子拓扑，它充当了结构空间滤波器，当将一维片段映射为二维宏观几何指标（如轨迹质心和凸包面积）时，高频逐点噪声被统计正则化。这一方法能够在不依赖特定特征点完整性的情况下，捕获波动信号下隐藏的底层非线性老化特性。此外，一种基于去噪自编码器的专门FPM-Block被整合到下游网络中，以重建干净、抗噪声的潜变量特征，从而确保在高度噪声污染的现实数据环境下实现稳定的SOH估计。

针对上述研究空白，本文结合现实电动汽车充电行为，通过PSR方法从部分MSCC充电数据中挖掘电池HI，提出了一种新颖的数据驱动SOH估计策略。本研究的主要创新点总结如下：

1. 提出了一种基于相空间拓扑的特征提取方法，以减轻不完整数据边界的影响。传统的数据驱动健康指标（如增量容量曲线峰值）在随机数据截断导致的部分充电条件下往往会退化或变得不可用。本研究将碎片化的局部电压片段映射到重构的二维相空间中，以提取几何拓扑特征。该方法无需严格依赖固定的初始充电状态或完整的曲线特征，即可捕获底层的退化动力学，为利用不稳定的现实采样数据提供了一种实用的数学方案。

2. 开发了一种耦合网络架构，将特征纯化与时序注意力相结合，以缓解序列建模中的噪声累积。与传统的级联滤波和预测方案不同（在这些方案中初始滤波误差会传播到后续阶段），所提出的DA-Transformer将前端潜变量特征纯化映射块与后端自注意力编码器相结合。在联合目标优化策略的指导下，重构误差作为结构正则化器，增强了网络的抗噪声能力和长期估计稳定性。

3. 建立了一个与局部充电区间自适应的、不依赖于片段的SOH估计框架，以适配现实用户行为分布。基于大规模电动汽车行为统计数据表明用户很少在荷电状态（SOC）低于20%时启动充电这一事实，本研究构建了一个灵活诊断框架，并在多种快充区间内进行了验证。实验结果表明，可以在主导工作范围内的任意20% SOC短窗口中独立完成稳定的SOH跟踪，从而显著放宽了现有数据驱动算法在实际应用中通常要求的严格数据连续性条件。

本研究的全局研究框架概览系统地展示在图1中。本文其余部分组织如下。第2节介绍了本研究使用的电池数据集，并分析了现实电动汽车用户的快充行为。第3节详细阐述了PSR方法及从碎片化MSCC充电片段中系统性提取非线性拓扑HI的过程。第4节详细介绍了所提出DA-Transformer架构的深度学习驱动方法。第5节提供了模型训练、相同条件估计和跨条件验证的全面细节。最后，第6节总结了本研究的主要结论。

## 数据集描述

本研究使用的实验室数据集是斯坦福大学电池循环数据集[31]。为辅助分析现实充电行为，采用了清华大学等机构联合发布的EVBattery运营数据集[32]。斯坦福数据集包含多组商用磷酸铁锂（LFP）圆柱形电芯，标称容量为1.1 Ah。老化测试使用Arbin LBT电池测试机进行。电芯在循环测试中……

## 相空间重构与健康指标提取

本节详细介绍了应用于MSCC充电片段的PSR和HI提取方法。一维（1D）电压序列被映射到高维相空间中，以准确表征底层退化动力学。

## 方法论

为系统应对现实电动汽车快充场景中严重高频运行噪声和复杂非线性退化动力学带来的挑战，本研究开发了一种名为DA-Transformer的深度学习驱动架构。该方法并非将原始提取的拓扑特征直接输入时序网络，而是提出了一种深度学习耦合策略，将噪声抑制与时序注意力协同结合。所提出方法的总体示意图如下……

## 结果与分析

为评估模型在未见实体上的泛化能力并模拟现实边缘设备SOH预测场景，本研究系统地采用了留一电池交叉验证（LOCO-CV）策略。在LOCO-CV过程的第i次迭代中，目标电池Ci被选为完全未见的测试目标域；同时，由其余M-1块电池组成的集合被用作模型预训练的源域。通过应用LOCO-CV……

## 结论

针对现实电动汽车的MSCC快充场景，本文提出了一种基于二维PSR和DA-Transformer框架的精确SOH估计策略。除评估特定模型性能之外，研究结果还为电池健康管理提供了若干实用见解。首先，轨迹离散度和凸包面积等几何拓扑特征的成功部署表明，即使在……空间形变也能有效捕获老化动力学。

## CRediT作者贡献声明

Sang Xiaofeng：初稿撰写，方法论。
Li Junfu：概念构思。
Zhao Mei：资源支持。
Che Jiaxing：调查。
Yao Tong：形式分析。
Zhang Huaqiang：指导监督。

## 利益冲突声明

作者声明不存在任何可能影响本文报告工作的已知竞争性经济利益或个人关系。

## 致谢

本工作部分由航空科学基金（ASFC-20230007077004）资助。

---

Xiaofeng Sang | Junfu Li | Mei Zhao | Jiaxing Che | Tong Yao | Huaqiang Zhang
哈尔滨工业大学（威海）新能源学院，威海，264209，中国