融合迁移学习的联合时频Transformer用于锂离子电池多场景健康状态估计

《Journal of Energy Storage》：Transfer learning-integrated Joint Time-Frequency Transformer for multi-scenario state-of-health estimation of lithium-ion batteries

　　

准确估计锂离子电池的剩余容量对于电池管理系统至关重要。由于实际应用中的运行条件具有变异性，在特定协议下收集大量数据往往不切实际。健康状态（SOH）估计受到数据可用性有限和运行条件不一致的限制。为解决这些挑战，提出了一种结合迁移学习的新型联合时频Transformer（JTFT），用于多场景SOH估计。具体而言，JTFT采用充电阶段数据的联合时频表示（JTFR）作为输入，其中双域融合特征增强了数据表达能力，提高了模型捕获多尺度依赖的能力。然后，引入低秩注意力（LRA）层来加强跨通道依赖的建模，从而更精确地跟踪电池老化过程。最后，使用有限的目标域数据对预训练模型进行微调，以提高其在不同应用场景中的适应性和泛化能力。在两个公开数据集和一个实验室数据集上的全面实验表明，所提出的方法优于许多先进方法，在多场景SOH估计中实现了更高的准确性、稳定性和适应性。

锂离子电池由于其高能量密度、长循环寿命以及众多其他优势，被广泛应用于电动汽车、光伏系统和各种其他领域，使其成为主要的储能设备[1]、[2]。随着循环次数的增加，电池的可用容量逐渐退化[3]、[4]、[5]。当可用容量降至其标称容量的80%以下时，退化过程会显著加速，从而对其可靠性和安全性产生不利影响。因此，电池管理系统的预测性维护变得至关重要[6]、[7]、[8]。健康状态（SOH）是反映电池老化程度的关键指标。它通常定义为当前容量（Ci）与标称容量（C0）的比值[9]。其计算如下：
SOH = Ci/C0

准确估计电池的SOH有助于实现预测性维护。现有的SOH估计方法大致可分为基于模型和基于数据的方法。基于模型的方法包括电化学模型（EM）和等效电路模型（ECM）[10]、[11]。虽然这两种模型都具有明确的物理意义，但EM需要深厚的电池电化学知识，而ECM则受到模型参数的显著影响，这些参数在实际应用中往往难以识别[12]。基于模型的方法难以快速适应新场景，这限制了这些方法的广泛应用[13]。

相比之下，数据驱动方法既不依赖资深专家的专门知识，也不考虑电池复杂的内部动态，因此越来越受欢迎[14]、[15]、[16]。基于机器学习的数据驱动方法已被广泛应用于SOH估计，包括支持向量机[17]、[18]、高斯过程回归[19]和随机森林[20]。这些方法严重依赖手工提取的特征，从而降低了其泛化能力[21]、[22]。与传统机器学习相比，深度学习具有从原始数据中提取深层特征的能力，能够直接建立监测数据（电压、电流、温度等）与容量之间的映射关系[23]。Tang等人提出了一种混合卷积神经网络-长短期记忆（CNN-LSTM）模型，通过分析电压-放电容量曲线的差异来实现早期寿命预测[24]。Wang等人利用恒流充电阶段短时间随机充电电压段，并结合CNN进行自适应容量估计。所提出的方法在三种不同的运行条件下进行了验证[25]。Gu等人采用皮尔逊相关系数筛选高相关性特征，并整合CNN-Transformer模型进行准确的健康状态估计[26]。Wang等人提出了一种物理引导神经网络（PGNN），该网络整合了ECM并提取具有物理意义的特征，从而提高了SOH估计模型的准确性和可解释性[27]。然而，基于CNN的模型缺乏在特征融合过程中动态建模全局特征的能力，这可能会降低处理高度复杂长时间序列时的预测性能。

相比之下，基于Transformer的模型已被越来越多地引入SOH估计任务中，因为自注意力机制在捕获与退化相关信号中的长序列依赖和全局交互方面非常有效。Chen等人提出了一种并行加权架构，ADTC-Transformer，它将自适应膨胀时间卷积与Transformer编码器相结合，以有效地融合多尺度特征[28]。Li等人引入了BiLSTM-Transformer用于快速充电期间的SOH估计，该模型采用了四个高度相关的特征作为输入，并实现了0.6%的均方根误差（RMSE）[29]。Ardakani等人开发了一种动态模型，将带外生输入的非线性自回归（NARX）整合到Transformer架构中，展现了对测量噪声的鲁棒性[30]。

然而，在实际应用中，由于训练数据不足，模型在监测新场景中的电池时性能往往会显著下降[31]、[32]、[33]。迁移学习有效地解决了数据稀缺问题并降低了计算成本[34]、[35]。其核心思想是将源域中学到的知识迁移到目标域，从而在目标域中准确估计SOH[36]。Xu等人利用充电数据中的健康特征和运行数据中的老化统计特征，提出了一种结合Transformer和局部校正模型的混合模型，即使在仅使用20%的数据训练时也能实现0.72%的RMSE[37]。Tang等人提出了一种基于模型迁移的电池轨迹老化预测方法，仅使用前30个循环进行训练，实现了2.5%的RMSE[38]。Zhu等人通过向基础模型添加线性变换开发了一种迁移学习模型，利用弛豫电压结合机器学习方法，在验证数据上实现了1.7%的RMSE[39]。Huang等人提出了新的健康指标，并采用微调和重建策略来缓解同类电池和不同类型电池之间不一致性的问题[40]。

尽管先前的研究取得了进展，但在复杂场景下（如变化的运行条件和有限的数据可用性）实现准确的SOH估计仍然是一个重大挑战。为了解决这个问题，开发了一种端到端的多场景SOH估计框架，该框架将联合时频表示、低秩跨通道建模和基于微调的域适应集成到一个统一的架构中，以处理变化的运行条件和有限的目标域数据。主要贡献如下：
1) 引入联合时频表示以增强特征表达能力，其中将稀疏的频域信息与最新的时域表示进行融合，从而缓解了仅依赖时域数据的局限性。
2) 设计了一个低秩注意力层，用于在低秩子空间内提取跨通道依赖，从而减少特征冗余并提高对电池退化动态的表征能力。
3) 在所提出的框架中纳入了多场景微调迁移方案，使特征提取器能够有效地适应具有变化运行条件和有限标注数据的目标域。
4) 在两个公开数据集和一个实验室数据集上进行的大量实验，涵盖多种场景，包括跨条件迁移和跨数据集迁移，证明所提出的方法实现了优越的准确性、稳定性和泛化能力。

本文其余部分结构如下：第2节详细介绍了所提出方法的模型架构和迁移学习策略。第3节描述了实验设置中的数据集和数据预处理方法。第4节提供了对所提出方法在各种工业场景下SOH估计性能的综合分析。最后，第5节总结了论文并展望了未来的研究方向。

本文提出的多场景微调迁移SOH估计框架如图1所示。模型首先对输入进行双域特征嵌入，以构建具有时频耦合特征的高维表示。随后，它在通道独立（CI）设置下使用Transformer编码器和在时频独立（TFI）设置下使用低秩注意力（LRA）层将此表示映射到潜在特征表示。

本研究利用两个大规模公开数据集[49]、[50]以及一个自设计的锂离子电池实验进行研究和分析。为清晰起见，三种实验设置分别称为XJTU数据集、MIT数据集和Self数据集。XJTU和MIT数据集的容量退化趋势如图4所示。表3、表4提供了三个数据集的充放电策略和样本量的详细信息。

(1) XJTU数据集。六个...

本节介绍了三个数据集中各种场景下的SOH估计结果。它将所提出的方法与先进基线进行比较，并验证了所提出方法的有效性和准确性。此外，它还详细阐述了评估标准。

本文提出了一种结合迁移学习的联合时频Transformer（JTFT）方法，用于锂离子电池的多场景健康状态（SOH）估计。使用充电阶段获得的多通道测量值，模型将时域表示（TDR）与稀疏频域表示（FDR）相结合，构建高质量的联合时频表示（JTFR），这增强了多尺度依赖的捕获能力。此外，还设计了一个低秩...

Dengliang Zhu：撰写–原稿、可视化、验证、软件、方法学、数据管理。Rui Yuan：撰写–审阅与编辑、监督、项目管理、形式分析、概念化。Yong Lv：监督、资源、项目管理、形式分析。Hongan Wu：监督、资金获取、数据管理。Hewenxuan Li：监督、调查。Dongzhen Lyu：撰写–审阅与编辑、监督、软件、方法学、资金获取。

作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

本研究得到国家自然科学基金（批准号52305125、51875416、52405126和52375116）、湖北省教育厅科学研究青年人才计划项目（批准号Q20251110）、中国博士后科学基金（批准号2025M771375）、湖北省自然科学基金（批准号2026AFC0632）和中国浙江省自然科学基金（批准号LMS26E050041）的支持。本研究...

Dengliang Zhu|Rui Yuan|Yong Lv|Hongan Wu|Hewenxuan Li|Dongzhen Lyu
冶金设备与控制技术教育部重点实验室，武汉科技大学，武汉，430081，中国