一种用于锂离子电池可泛化跨域健康状态估计的分层多域自适应方法

《Journal of Energy Storage》：A hierarchical multi-domain adaptation method for generalizable cross-domain state of health estimation of lithium-ion batteries

　　

摘要
锂离子电池健康状态（SOH）的精确估计对于确保电池动力车辆的安全可靠运行至关重要。然而，由于显著的域差异和有标签数据的稀缺，跨域 SOH 估计仍然具有挑战性。为解决这一挑战，本文提出了一种具有泛化能力的跨域 SOH 估计方法。首先，提出了一种基于特征的分域差异量化方法，结合物理可解释的健康特征构建和最大均值差异量化，评估分层多域适应的可行性。其次，提出了一种分层多域适应方法，将适应过程组织为结构化的两阶段范式。它执行监督多源对齐以减少源内差异并丰富特征空间，随后进行自适应对抗适应以跨目标域学习域不变表示。具体而言，设计了一种基于梯度反转层和二维卷积神经网络的自适应对抗网络，以实现分层多域适应，从而进行泛化 SOH 估计。在包含 114 个电池的三个数据集上的广泛验证证明了该方法优越的性能，实现了平均 RMSE 和 MAE 低于 0.02 且 R2 超过 90%。这些结果优于现有基准，证实了该方法在实际跨域 SOH 估计中具有较强的鲁棒性和适用性。

引言
锂离子电池目前已广泛应用于电池动力车辆中，包括电动汽车和重型电动卡车，在推进能源结构转型方面发挥着关键作用 [1], [2]。作为一种高效的储能解决方案，可充电锂离子电池具有高能量密度、长循环寿命和低自放电率 [3]。然而，复杂的电化学降解机制导致非线性老化现象，如容量衰减和内阻增加 [4]。准确的电池健康状态（SOH）估计是确保系统安全、可靠和高效运行的必要技术基础。它有助于可靠的续航里程预测、优化的充放电策略以及及时的更换。

然而，多样的域差异和严重的 SOH 标签缺乏给实际场景中的准确电池 SOH 估计带来了重大挑战。一方面，电池降解受多种复杂操作条件的影响，例如变化的环境温度和充放电率。此外，不同电子设备中的电池类型多样，且制造差异导致同一电池内部单体之间存在性能不一致。另一方面，实际运行数据缺乏可直接使用的 SOH 标签，通过实验方法获取此类标签既昂贵又耗时 [5]。在这种情况下，传统的监督学习方法难以应用，因为它们需要完全标注的数据。虽然无监督学习方法提供了无需标签的解决方案，但它们在实际应用中往往缺乏泛化性和鲁棒性。因此，开发能够适应域差异且具有强泛化能力的准确跨域电池 SOH 估计方法，对于智能电池管理系统（BMS）至关重要。

近年来，电池 SOH 估计方法得到了广泛研究，大致可分为三大类：直接测量法、基于模型的方法和基于数据驱动的方法 [6]。直接测量方法通过实验量化与电池降解强烈相关的物理参数（如内阻、容量和电化学阻抗）来确定电池 SOH [7], [8]。然而，这些方法通常需要标准测试程序，不适用于在线应用。基于模型的方法通过构建数学模型来解决这一限制，包括等效电路模型（ECM）[9], [10] 和电化学模型（EM）[11]。通过使用运行数据识别模型参数，间接估计电池 SOH。尽管它们具有强大的物理基础，但求解众多偏微分方程的计算复杂性使得 EM 难以在实际中应用。此外，模型参数随温度、荷电状态（SOC）和老化而变化。这使得在实际应用中准确建模和参数识别成为主要挑战。

数据驱动方法通过从大量历史运行数据中挖掘与老化相关的健康特征与实际 SOH 之间的内在关系来估计电池 SOH [12], [13]。这些方法能够捕捉传统模型难以描述的复杂非线性关系。最近，开发了许多基于监督学习的电池 SOH 估计模型，包括卷积神经网络（CNN）[14]、高斯过程回归（GPR）[15]、物理信息神经网络（PINN）[16]、图卷积网络（GCN）[17] 和带有自注意力机制的 Transformer [18]。例如，Deng 等人 [17] 将 GCN 与长短期记忆（LSTM）网络结合，提出了一种适用于快速充电场景的 SOH 估计方法。Chen 等人 [19] 开发了一种基于多层感知器（MLP）和 CNN 的物理信息神经网络模型，通过将降解物理嵌入到模型的训练损失中来提高估计精度。为了减少对目标域数据的依赖，基于微调策略的迁移学习（TL）方法已用于不同电池类型和操作条件下的 SOH 估计 [20], [21]。然而，有效的知识转移严重依赖于源域和目标域之间相似的特征分布 [22]。此外，Xiao 等人 [23] 提出了一种用于电池寿命预测的协作半监督方法，利用早期循环中大量的未标注数据以及有限的标签样本集。然而，上述方法要求训练和测试数据共享相同或相似的分布，并依赖大量标注，从而限制了它们在标签稀缺场景中的适用性。为解决这些挑战，提出了基于域适应的无监督学习方法用于跨域电池 SOH 估计 [24]。Zhao 等人 [25] 提出了一种域适应网络，利用真实和伪目标域标签之间的对抗训练，在不同温度或电池类型下进行 SOH 估计。Zhang 等人 [26] 开发了一种用于跨域电池 SOH 估计的无监督特征对齐方法，基于最大均值差异（MMD）和相关性对齐（CORAL）构建组合对齐损失函数。Wang 等人 [27] 开发了一种融合图注意力网络（GAT）、GRU 和梯度反转层（GRL）的对抗动态时空网络，实现了不同电池间的电池 SOH 估计。特别是，GRL 在对抗训练过程中提供了动态对齐机制。

当前用于电池 SOH 估计的域适应方法主要在单一源域和单一目标域之间对齐特征，这限制了它们的实际适用性。这些方法存在精度低和泛化性差的问题。在实际场景中，由于操作条件变化和单体间不一致，给定电池类型通常对应多个子目标域。传统的单域适应方法无法有效处理巨大的域偏移。此外，依赖单一源域提供的知识不足以满足适应需求，从而导致不准确的不带标签估计。现有方法也忽略了量化域差异或策略性地选择域对，进一步降低了估计的鲁棒性。

为解决这些挑战，本文提出了一种基于分层多域适应的具有泛化能力的跨域估计方法。核心思想是通过分层多域训练框架，从在各种操作条件下降解的电池单体中学习更丰富的电池老化知识，无需使用带标签的目标域数据进行微调即可直接泛化到多目标域。所提出的方法为实际无需标签 SOH 估计的需求铺平了道路。主要贡献总结如下：
1) 提出了一种基于特征的域差异量化方法，结合物理可解释的健康特征构建和最大均值差异（MMD），指导分层多域适应和泛化跨域估计。
2) 提出了一种分层多域适应方法，以解决异构电池域之间的知识转移问题。该方法引入了一种监督多源对齐策略，以学习具有丰富领域知识的可转移共享特征空间。基于自适应梯度反转层（AGRL）和二维卷积神经网络（2D-CNN）开发了自适应对抗网络，实现了从多源对齐到跨域适应的分层多域适应过程。
3) 在包含三种不同类型电池（共 114 个单体）的三个数据集上彻底验证了所提方法的有效性。结果表明，所提方法显著优于现有基准，在大多数情况下实现了显著的估计精度，平均 RMSE 和 MAE 低于 0.02，且 R2 超过 90%。

论文结构如下：第 2 节介绍了多域适应问题。第 3 节介绍了所提出的泛化跨域方法，第 4 节介绍了数据集并详细说明了基于特征的域差异量化。第 5 节提供了该方法的全面验证。第 6 节总结了主要发现和未来工作。

章节片段

问题建模
本节对多域适应问题进行了建模。域定义为联合分布 pxy，其边际分布可视为 px=∫pxydy。我们采用 d=xkykk=1m～pxy 来表示 d 中的样本是从联合分布 pxy 中独立采样的。Ds=d1sd2sd3s…dnsn≥2 表示源域集合，通常由多个子源域组成。disi=12…n 表示第 i 个子源域，它可以写为 dis=xksiyksiks=1mi～pisxy

方法概述
所提出的泛化跨域方法的结构如图 1 所示。源域和目标域数据通常来自不同类型的电池，存在固有的域偏移。首先，在所有域上执行特征工程和域差异量化。随后，利用多源和部分目标域的数据进行离线训练，以开发训练良好的模型。最后，该模型可用于在线

数据概述
本研究采用了来自同济大学的三个多域电池老化数据集 [29]。如表 1 所示，它们捕捉了由电池化学成分、工作温度和充放电率引起的域偏移，为评估跨域 SOH 估计方法提供了全面的基准。根据不同的阴极材料，它们分别命名为 NCA 电池、NCM 电池和 NCMNCA 电池。对于 NCA 和 NCM，域偏移主要由温度引起

多源域对齐
多域对齐的有效性已通过训练电池与测试电池的比例不超过 2:1 得到验证。例如，图 7 显示了基于联合建模的 NCA-C1、NCA-C2 和 NCA-C3 电池的估计结果。对于 NCA 电池，模型在三种不同条件下均取得了优异的性能。此外，表 2 总结了估计误差。对于 NCM 电池，在各种操作条件下保持了高精度的 SOH 估计。对于 NCMNCA

结论
本文提出了一种基于分层多域适应的锂离子电池泛化跨域 SOH 估计方法。所提出的基于特征的域差异量化方法为分层多域适应和模型的泛化估计提供了理论指导。在分层多域适应过程中，所提出的多源对齐方法可以捕捉共享特征空间，从而提供更具域的知识

CRediT 作者贡献声明
王紫露：撰写 - 初稿，方法论，概念化。赵晓宇：调查，形式分析，概念化。朱燕征：撰写 - 审阅与编辑，监督。谷丰收：撰写 - 审阅与编辑，验证。

竞争利益声明
作者声明他们没有已知的竞争经济利益或个人关系，这些因素可能会影响本文报告的工作。

致谢
本工作得到了山东省优秀青年科学家基金项目（海外）（项目编号：2025HWYQ-051）和中华人民共和国国家自然科学基金（项目编号：62503295）的支持。

王紫露 | 赵晓宇 | 朱燕征 | 谷丰收
山东科技大学，中国青岛，266590