预测因子结构调节电池健康状态估计中的验证膨胀和跨电池转移可靠性

《Batteries》：Predictor Structure Modulates Validation Inflation and Cell-Transfer Reliability in Battery State-of-Health Estimation

　　

电池健康状态（SOH）基准测试常常将来自同一电池的循环混合到训练集和测试集中。研究人员检验了预测因子结构是否会改变电池内插值与跨电池迁移之间的差距。在四个NASA电池（636个循环）中，使用十次随机的80:20分割和重复十次模型种子的留一电池法（LOCO）测试，评估了七种回归器和五组预测因子。跨模型的中位随机分割均方根误差（RMSE）从仅使用老化程度时的5.00 SOH百分点下降到使用诊断因子加老化程度时的1.52，而中位LOCO RMSE仅从5.83下降到4.61；因此，绝对协议差距从0.83增加到3.09百分点，中位电池配对LOCO/随机比率从1.24增加到4.53。使用全部诊断因子时，模型级比率介于1.65至5.16之间，随机与LOCO排名不相关（描述性Spearman ρ = 0.00）。在保持训练循环数不变的情况下，将源电池数量从一个增加到三个，中位LOCO RMSE从5.25降至4.73百分点，但32.1%的电池-模型对没有改善。标准化切片Wasserstein位移与验证比率相关（描述性ρ = 0.73），但与绝对LOCO RMSE不相关（ρ = ?0.01）。额定容量归一化保留了预测因子依赖的梯度。一项八电池牛津分析仅限于仅使用老化程度的边界检查，并非特征匹配的重复实验。这些四电池实验室结果表明，更丰富的放电诊断因子对已表示电池的内插值的改善远大于对未见电池的迁移；因此，声称性能时应报告完整的留电池验证下的绝对和相对误差。

**论文解读：预测因子结构如何影响电池健康状态估计中的验证膨胀与跨电池迁移可靠性**

锂离子电池老化会通过电化学、热和机械相互作用降低可用容量与功率能力，因此准确的健康状态（SOH）估计对电池管理、寿命预测和维护规划至关重要。数据驱动方法能够从电压、温度、电流和阻抗测量中学习退化模式，因而得到广泛应用，但其性能依赖训练电池的数量、多样性以及所提供的健康指标。电池老化记录具有层次结构：来自同一电池的连续循环共享制造特征、传感器偏移、老化历史和操作协议。随机划分循环会在训练集和测试集两侧放置数值不同但密切相关的观测，这虽能回答电池内插值问题，却无法直接支持对新电池的迁移。现有研究虽强调分组评估的重要性，但未能在控制电池、模型类、分割定义和预处理的同时系统更换预测因子块，因此无法隔离预测因子结构对验证膨胀的贡献。本研究旨在通过受控预测因子操作来阐明这一机制。

研究人员在四个NASA电池（B0005、B0006、