《World Electric Vehicle Journal》：Reliability Assessment of Second-Life EV Batteries Using Probabilistic Deep Learning Models for State-of-Health Prediction
编辑推荐：
准确预测健康状态（State-of-Health, SOH）对于将退役电动汽车电池部署到可靠的第二寿命储能系统至关重要。然而，这项任务受到来自车载电池管理系统（Battery Management Systems, BMS）的稀疏且有噪声的运营数据的挑战。本研
准确预测健康状态（State-of-Health, SOH）对于将退役电动汽车电池部署到可靠的第二寿命储能系统至关重要。然而，这项任务受到来自车载电池管理系统（Battery Management Systems, BMS）的稀疏且有噪声的运营数据的挑战。本研究系统评估了一系列深度学习架构在源自实验室循环数据的BMS式数据约束下的SOH预测性能：基于聚合循环统计的BiLSTM（模型A）、对单个未见电池的初步零样本迁移（模型B）、包含完整循环内电压、电流和温度轨迹的波形BiLSTM（模型C）、基线TCN（模型D）以及概率TCN-GPR混合模型（模型E）。所有模型均受限于从NASA电池老化数据集中提取的相同的低保真BMS式变量。模型C在五个随机种子上实现了最低的点精度误差，平均绝对误差（MAE）为0.46% ± 0.18%，表明高分辨率波形输入能够捕捉到退化特征，特别是电压平台形态、瞬态动力学和隐含的SOC信息，而这些特征被聚合特征不可逆地丢失。模型D使用与模型C相同的波形输入和评估协议，在单个种子上实现了2.99%的MAE，提供了直接的架构比较证据，表明BiLSTM的位置敏感时序总结在这些条件下优于GlobalAveragePooling1D。模型E实现了更高的MAE（2.12% ± 0.33%），但独特地提供了校准的预测分布，覆盖率为99.4% ± 1.2%，负对数似然（NLL）为-1.877 ± 0.038，具有近似均匀的95%预测区间（在种子=42时，34个测试周期上的平均宽度为19.83% SOH），反映了在冻结的两阶段训练设计下，由大优化GPR长度尺度产生的近恒定后验方差。配对t检验证实，模型C在点精度上统计显著优于模型E（p < 0.01）。等渗回归重校准将平均校准误差从0.138降低到0.010，表明形状级校准错误可以在事后得到纠正。对第二寿命电池部署的核心启示是明确的精度-不确定性权衡：当点估计足够时，模型C是首选，而模型E对于需要置信区间的风险感知决策至关重要。
**论文解读：基于概率深度学习模型的第二寿命电动汽车电池健康状态预测可靠性评估**
**研究背景与问题**
随着全球电动汽车（EV）的普及，锂离子电池退役后的可持续管理成为关键挑战。退役电池通常仍保留70%-80%的初始容量，适用于第二寿命应用，如固定式储能，从而延长电池寿命并减少碳排放。然而，将退役电池可靠地部署到第二寿命系统，需要准确预测其健康状态（State-of-Health, SOH）。在实际场景中，电池管理系统（Battery Management System, BMS）在电池第一寿命期间仅提供稀疏、低保真度且噪声较大的历史数据，严重制约了SOH预测的准确性。现有研究多基于高分辨率实验室数据，对BMS实际数据约束下的模型鲁棒性评估不足；且缺乏对复杂混合架构与简单基线在同一数据约束下的系统比较，难以确定架构复杂性的实际收益；同时，多数模型无法提供校准的不确定性估计，而这对风险感知决策至关重要。因此，研究人员开展了本研究，旨在系统评估从简单到复杂的深度学习架构在BMS式数据约束下的SOH预测性能，并明确精度与不确定性之间的权衡，为第二寿命电池部署提供决策支持。该论文发表在《World Electric Vehicle Journal》。
**主要技术方法**
研究人员采用以下关键方法：1）数据来源：NASA电池老化数据集，包含18650锂离子电池（LiCoO
2阴极）在室温下循环的充放电数据；2）数据预处理：从实验室数据中提取BMS式变量（表面电压、电流、温度、循环容量估计），对全波形模型将放电循环重采样至920时间步，使用滑动窗口（模型A/B）或分层随机分割（模型C/D/E）构建训练/测试集；3）模型架构：系统评估五种模型——基于聚合循环统计的BiLSTM（模型A）、零样本迁移BiLSTM（模型B）、全波形BiLSTM（模型C）、确定性时序卷积网络（TCN，模型D）、概率TCN-高斯过程回归（GPR）混合模型（模型E）；4）训练策略：使用Adam优化器、早停、学习率衰减，模型E采用冻结两阶段训练（先训练TCN编码器，再拟合GPR头）；5）评估指标：平均绝对误差（MAE）、均方误差（MSE）、负对数似然（NLL）、经验覆盖率、平均校准误差（MCE）；6）不确定性校准：应用标量校准和等渗回归重校准。
**研究结果**
**3.1 训练收敛性与稳定性**：模型A快速收敛，验证损失在10-11轮达到最小。模型C在五个随机种子上均稳定收敛，早期停止触发于不同轮次，平均测试MAE为0.46% ± 0.18%。模型D在种子=42时稳定收敛，MAE为2.99%。模型E的TCN编码器在所有种子上稳定收敛，优化后的GPR核参数（RBF长度尺度=8.73，噪声水平≈0.001）表明特征空间平滑。
**3.2 定量性能比较**：模型C在五个种子上平均MAE为0.46%，显著优于模型E的2.12%（配对t检验，p<0.01）。模型A和B的MAE分别为3.00%和2.71%。模型D的MAE为2.99%。模型E的NLL为-1.877，95%预测区间平均宽度为19.83% SOH。
**3.3 SOH预测轨迹分析**：模型A准确跟踪退化趋势，在极端SOH值处略有偏差。模型B在零样本条件下对B0025电池的预测MAE为2.71%，表明跨电池迁移的初步可行性。模型C的预测轨迹紧密跟随真实SOH曲线，误差极小。模型D在寿命末期区域误差较大。模型E提供校准的95%置信区间，区间宽度近似均匀，未随数据密度变化。
**3.4 不确定性量化与校准分析**：模型E的原始GPR后验在95%区间上覆盖率为97.1%（轻度过度置信），可靠性图呈现S形偏差（MCE=0.138）。标量校准（α=0.9759）将端点覆盖率修正至95.0%，但MCE仅降至0.134。等渗回归重校准显著降低MCE至0.010，使可靠性曲线接近对角线，但端点覆盖率仍为97.1%，表明标量校准控制端点，等渗回归纠正中间置信水平。
**讨论与结论**
讨论部分指出，输入分辨率（全波形vs聚合统计）是点精度提升的主要驱动因素，波形BiLSTM（模型C）通过捕捉电压平台形态、瞬态动力学和隐含SOC信息实现高精度。模型C与模型E之间存在明确的精度-不确定性权衡：模型C适用于高通量筛选，模型E对于风险感知决策（如合同阈值、安全边际）不可或缺。不确定性校准的结构性来源是冻结两阶段设计导致GPR后验方差近恒定，等渗回归可纠正形状级校准错误，但端到端联合训练是更根本的解决方案。跨电池迁移（模型B）在受控两电池实验中表现良好，但需更大数据集验证。在数据约束下，位置敏感的时序总结（BiLSTM）优于全局平均池化（TCN），GPR增强提供正则化收益。局限性包括：实验室数据与现实BMS数据的差异、分层随机分割限制严格时间泛化评估、等渗回归需在独立验证集上验证、未进行系统计算时间分析。
**结论翻译**：本研究证明，在稀疏且有噪声的电池管理系统（BMS）数据下，输入分辨率对SOH预测精度的影响似乎大于架构复杂性，而概率不确定性量化仅以点估计性能的适度代价即可实现。基于波形的BiLSTM模型（模型C）实现了最低预测误差，因此适用于高通量筛选应用；而TCN-GPR框架（模型E）提供了校准的预测区间，支持风险感知决策。关于研究问题2，确定性TCN基线（模型D）表现出与模型C相当的收敛稳定性，性能差异归因于时序总结策略而非训练动态，但其预测误差较高（2.99% MAE），表明在这些数据条件下，位置敏感的时序总结比骨干网络选择对波形SOH预测更为关键。这一发现，连同GPR增强提高了模型E相对于模型D的点精度（2.12% ± 0.33% vs 2.99% MAE），证实了概率增强同时提供了不确定性校准和适度的正则化优势。一个具体例子说明了不确定性量化的决策相关价值：考虑将退役电池组分类为适合第二寿命使用（SOH>80%）。确定性模型预测82% SOH会将其分类为适合，无风险指示。模型E的95%置信区间跨度约19.8% SOH，对于预测82% SOH，区间约为[72%, 92%]，跨越80%阈值，揭示了不确定性，将触发第二阶段评估或保守的重新利用。结果揭示了内在的精度-不确定性权衡。对于点估计足够的应用（如初步筛选），模型C是首选；但第二寿命电池部署涉及合同阈值、经济价值和操作安全决策，校准的不确定性区间提供了额外的置信度。因此，确定性和概率模型应视为互补而非竞争。一个高效的筛选策略可采用模型C进行快速初步评估，而对预测SOH接近合同或安全阈值的电池保留模型E，此时不确定性信息最有价值。
