ADD-Net：一种自适应解耦的多尺度注意力与反卷积网络，用于锂离子电池健康状态评估

《Journal of Energy Storage》：ADD-Net: An Adaptive Decoupled Multi-Scale Attention and Deconvolutional Network for lithium battery State of Health estimation

　　摘要
提高能量效率并确保电池管理系统的运行可靠性在很大程度上取决于对锂离子电池健康状态（SOH）的准确估计。然而，现有的数据驱动方法仍然面临一些挑战，包括严重的多尺度特征耦合、对短期和长期时间依赖性的建模不足以及特征重构过程中的信息失真，这些因素限制了估计的准确性和泛化能力。为了解决这些问题，本文提出了一种自适应解耦多尺度注意力与反卷积网络（ADD-Net）用于SOH估计。具体来说，设计了一种自适应解耦小波下采样（ADWD）模块，通过协作的卷积和小波建模动态分离并自适应融合低频趋势信息和高频细节特征。接着引入了双尺度交叉注意力（DSCA）模块，通过跨尺度交互和基于路由器的动态加权来捕捉整体退化模式和局部瞬态变化。此外，还采用了反卷积上采样块（DUB）逐步重建特征序列，增强了多级特征融合过程中的时间一致性和细节恢复能力。在NASA和西安交通大学公共数据集上的实验表明，ADD-Net在所有误差指标上都取得了优异的性能，表现出出色的估计准确性、稳定性和强大的泛化能力。

引言
由于具有卓越的能量密度、较长的耐用性和最小的自放电现象，锂离子电池已成为现代电力解决方案的基石，应用于从消费电子到电动汽车和电网级储能的各种领域[1],[2]。然而，连续的充放电循环加上苛刻的操作环境不可避免地会导致不可逆的电化学退化，包括电解质分解、固体电解质间质（SEI）膜增厚、活性材料损失以及锂枝晶生长[3],[4]，从而导致容量逐渐下降和欧姆阻抗持续上升，进而引发性能下降甚至安全隐患[5]。在这种情况下，准确估计电池的健康状态（SOH）不仅是电池管理系统（BMS）的核心任务之一[6]，也是确保系统安全运行、防止灾难性故障和优化能源利用效率的关键前提[7]。因此，开发高精度和高度可靠的SOH估计方法已成为学术界和工业界的共同关注焦点[8]。
在工程实践中，SOH通常用于量化电池当前性能相对于其初始状态的退化程度。最常见的定义基于容量衰减的形式，其数学表达式如下：????????=??????????????????????????????????????×100%，其中??????????????????????表示当前循环下电池的实际可用容量，????????????????表示电池的额定初始容量[9]。当电池的SOH下降到其额定容量的80%到70%时，认为其达到了使用寿命终点[10]。这个定义直观地反映了电池能量存储容量的退化程度[10]。然而，电池容量的测量需要通过标准充放电实验获得，这种方法并不适用于实际应用场景。因此，在实际应用中通常采用估计方法[11]。现有的SOH估计技术主要涵盖了三种范式：实验分析、基于物理/电化学机制的模型和数据驱动方法[12],[13]。
实验分析方法主要涉及使用精密实验室仪器对电池进行受控测试，以直观评估其健康状态[14]。这些方法中的常见SOH评估技术包括库仑计数法、开路电压法和电化学阻抗谱法[15]。库仑计数法通过在电池充放电过程中积分电流来计算实际释放或存储的电量，从而间接表征电池容量的退化[16]。开路电压法通过在电池休息并达到热力学平衡后利用开路电压与充电状态之间的映射关系来推断电池的SOH[17]。电化学阻抗谱法通过向电池注入一系列不同频率的小交流信号来测量电池的阻抗响应，从而分析内部过程（如电荷转移、电解质扩散和界面反应）的变化，以反映电池的老化程度[18]。总体而言，实验分析方法具有明确的物理意义和相对直观可靠的评估结果[19]。然而，它们的缺点也很明显：它们对测试条件有严格的要求，通常依赖于理想、高质量和低噪声的环境；实验成本较高；它们对在线应用的支持不足；并且在复杂的动态操作条件下表现出有限的鲁棒性。因此，它们通常被用作实际工程中的离线分析或校准工具[20]。
基于物理或化学机制的模型通过构建严格的数学框架来模拟电池的内部动态响应行为，实现对性能退化过程的定量描述[21]。这类方法主要包括两种类型：等效电路模型和电化学模型[22]。等效电路模型（ECMs）由基本的电气单元（即电阻和电容网络）与电压源组合而成，模拟电池在不同充放电循环下的宏观电压-电流响应。为了实现稳健的闭环SOH跟踪，这些架构通常与递归状态估计器（如卡尔曼滤波器或粒子滤波器）集成[23]。另一方面，电化学模型从电池的内部电化学反应机制出发，全面考虑锂离子在固相颗粒中的扩散行为、电解质中的传输过程以及电极的电荷转移动力学。它们利用一系列复杂的偏微分方程来实现对电池真实内部退化机制的高精度表征[24]。基于物理或化学机制的模型的优势在于，其模型参数具有明确的物理和化学含义，为深入分析电池老化机制提供了高度可解释的“白箱”视角[25]。然而，这类方法也存在一定的局限性。一方面，模型结构通常相对复杂；特别是电化学模型涉及多组非线性偏微分方程，导致计算开销较大，难以直接应用于实时在线估计[26]。此外，它们大量内部参数的精确校准是一个重大挑战。这种参数敏感性，加上不同电池化学成分和动态工作特性的显著差异，严重限制了这些模型的可转移性[27]。
随着人工智能技术的不断发展，数据驱动的SOH估计方法逐渐成为研究热点。这些方法不再依赖于电池复杂的内部物理或化学反应机制，而是通过机器学习或深度学习直接从充放电循环数据中学习电池退化过程中的隐藏老化特征和演变模式[28]。多种机器学习技术已被广泛应用于电池SOH估计。Li Y等人[29]系统回顾了ANN、SVM、GPR和RVM等机器学习模型在电池健康管理中的应用。尽管这些方法可以通过提取关键健康特征有效减少模型的计算负担，但它们往往难以完全捕捉电池在充放电过程中的全局动态演变特性，导致在复杂和多变的实际操作条件下的泛化能力有限。为了更深入地挖掘电池退化数据中的高阶非线性特征，研究人员引入了深度学习架构。例如，Mazzi Y等人[30]提出结合CNN和BiGRU来捕捉电池充放电时间序列的完整上下文特征，实现了卷积神经网络和循环神经网络之间的互补性。然而，在面对过长或过短的输入序列时，容易导致特征冗余或关键退化信息的丢失。Transformer通过其全局自注意力机制可以直接建立序列中任意两个时间步之间的联系，从而突破传统循环模型的时间跨度限制[31]，并更有效地捕捉完整电池充放电周期中的长期演变模式。例如，Xu Z等人[32]提取了电池健康特征，并使用Transformer模型进行SOH估计，捕捉电池的长期退化趋势。然而，传统的注意力机制通常在单个尺度上进行序列建模，难以同时平衡和捕捉电池的低频宏观特征和高频微观瞬态之间的动态相关性。锂离子电池在充放电过程中的电压、电流和温度随时间变化，因此可以被视为时间序列。许多研究人员已经将时间序列预测模型应用于电池健康状态估计。例如，Tang W等人[33]利用自动编码器结合频率增强注意力和TimeMixer[34]通过下采样构建多分辨率表示来进行SOH估计。然而，传统的下采样和上采样过程仍然不可避免地导致信息损失。为了减轻时间域分析中固有的信息损失，研究人员将频域视角集成到SOH评估中。例如，Li Y等人[35]提出了一种结合多通道CNN和TimesNet框架的SOH估计模型。该模型利用快速傅里叶变换（FFT）分析时间序列的频谱特征，从而提取多个退化周期，从而在频域主导下高效捕捉多个时间尺度内的全局和局部依赖性。然而，基于FFT的方法由于将时间序列数据完全映射到频域，本质上缺乏时间定位能力。这一特性使得难以准确确定非平稳瞬态异常事件（如局部容量再生或突然温度波动）在老化过程中发生的具体时间。
近年来，从多尺度特征中提取信息和进行信息融合的方法越来越受到学者的关注。例如，Chen C等人[36]构建了一种U形编码器-解码器架构，以实现多尺度特征的有效、自适应融合。该模型利用多尺度差分卷积网络提取电池退化的短期细粒度波动和长期全局演变趋势，并通过门控融合机制动态融合这些跨级别的多尺度特征。这种U形多尺度融合架构使模型能够准确捕捉复杂的局部变化，同时确保整体退化评估的一致性。Xie H等人[37]提出了一种双分支、跨尺度引导的Mamba网络。其对多尺度特征融合的核心贡献在于提出了一种粗到细的跨尺度引导机制。该策略有效地结合了宏观退化趋势和微观波动，避免了过拟合瞬态噪声，并显著提高了电池寿命估计的稳定性和准确性。Lu Z等人[38]提出了一种基于改进的PatchTST架构的MSSformer模型，结合了多尺度补丁嵌入和全局序列嵌入以提取不同时间粒度的特征。它利用交叉注意力机制融合来自多个通道的补充信息，从而显著提高了SOH估计的准确性和稳定性。这些先进的研究为我们的研究提供了巨大的参考价值。
尽管在锂离子电池SOH的预测评估方面取得了显著进展，特别是在时间序列建模、多尺度特征提取和注意力机制等方面，但仍面临一些关键挑战，如复杂的多源信号耦合、时间-频率特征表示不足以及高精度重建的难度。为了解决这些挑战，本文提出了一种自适应解耦多尺度注意力与反卷积网络（ADD-Net）用于SOH估计。其主要贡献如下：
- 针对锂离子电池的多尺度退化特征难以有效分离的问题，提出了一种自适应解耦小波下采样（ADWD）模块。通过构建卷积下采样和小波变换的双分支结构，该模块引入了可学习的小波缩放系数和自适应门控机制，以实现低频趋势和高频细节的动态分离和加权融合，最大化保留关键退化信息的同时降低时间分辨率。
- 针对单时间尺度建模难以同时捕捉长期依赖性和局部动态变化的问题，设计了一种双尺度交叉注意力（DSCA）模块。该模块构建了大尺度和小尺度补丁表示，并引入了双向交叉注意力机制以实现跨尺度信息交互。同时，结合路由器动态加权策略，它可以自适应地融合不同尺度的特征，从而有效模拟电池退化过程中的复杂多尺度时间依赖性。为了解决传统转置卷积在上一采样一维长序列时容易产生高频锯齿或振荡波纹的问题（这会破坏老化特征的物理一致性），设计了一个反卷积上采样模块（DUB）。基于反卷积理论，该模块将信号转换到频域进行高效处理，实现高质量的特征序列恢复，并确保从低分辨率到高分辨率的特征重建的连贯性和准确性。

本文的结构如下：第2节介绍了ADD-Net的整体方法论和关键模块设计；第3节介绍了数据集、与其他模型的比较结果以及消融实验分析，验证了该模型及其各个组件的有效性；第4节总结了全文并展望了未来的研究方向。

**数据构建**
由于活性材料的消耗和连续循环过程中内阻的增加等潜在的退化机制，电池的外部运行特征逐渐发生变化。这种系统性的演变在电压、电流、温度和时间曲线图中得到了清晰展示（见图1）。现有研究已充分证明，这些多源传感数据之间存在强烈的物理关联和特征耦合。

**实验设置**
本研究的实验硬件平台基于Intel i7-13700KF CPU和NVIDIA RTX 4060Ti GPU，操作系统为Ubuntu 20.04。本文提出的ADD-Net及其所有基线对比模型都是在PyTorch深度学习框架下实现的。为了全面客观地评估该模型在锂电池健康状态估计任务中的有效性和泛化能力，我们在NASA进行了实验。

**结论**
本文针对锂电池健康状态估计中的关键问题，如多源信号的复杂耦合、多尺度特征的有效表达难度以及高精度序列重建的难度，提出了一个自适应解耦多尺度注意力与反卷积网络（ADD-Net）。该模型从三个核心方面入手：“特征解耦—跨尺度建模—高质量重建”，构建了一个完整且协同作用的网络结构。

**作者贡献声明**
林鸿章：编写—原始草案、验证、软件、方法论
徐宇珍：监督、项目管理、资金获取
刘文涛：编写—审稿与编辑、监督、资源协调
郭青：验证、资金获取
王成群：监督、调查、形式分析

**利益冲突声明**
作者声明没有已知的利益冲突或个人关系可能会影响本文报告的工作。

**致谢**
本工作得到了浙江省软科学研究计划（编号2026C25003）和浙江省重点研发计划基金（编号2024C01060、2025C01079）的支持。

**作者信息**
林鸿章 | 徐宇珍 | 刘文涛 | 郭青 | 王成群
浙江数字时尚与数据治理重点实验室，浙江科技大学，杭州，310018，中国