综述：非独立同分布数据下的锂离子电池健康预测：挑战与联邦学习解决方案的系统综述

《Journal of Energy Storage》：Lithium-ion battery health prediction under exhibit non-independent and identically distributed data: A systematic review of challenges and federated learning solutions

　　

## 摘要

锂离子电池健康状态预测对于确保储能系统的可靠性和安全性至关重要。然而，真实运行数据天然具有非独立同分布（Non-IID）特性，这给传统的集中式学习模型带来了根本性挑战。本综述系统地研究了Non-IID条件下的电池健康状态预测问题。通过对大规模真实电动汽车数据的可视化分析和定量异质性评估，本文将电池数据异质性归纳为五个类别，并建立了一个将数据异常、物理退化机制和建模偏差相联系的分层映射框架。在剖析传统集中式预测方法的固有局限性之后，本综述系统比较了集中式算法策略与分布式协作框架之间的权衡关系，从而阐明了向联邦学习（FL）范式过渡的动机。此外，根据五种Non-IID挑战类型，本综述对现有的联邦学习解决方案进行了分类梳理：针对特征分布偏移的个性化联邦学习（PFL）和联邦迁移学习（FTL）；针对标签分布偏差的半监督联邦学习和自监督联邦学习；针对概念漂移的动态聚合和近端正则化；针对数量不平衡的基于样本量的加权方法和归一化损失；以及针对时间依赖性和缺失数据的时序建模与插补设计。同时讨论了多种Non-IID类型共存场景下的集成框架。最后，本综述概述了未来研究方向，包括多层次分布对齐、可解释模型设计、轻量化优化和标准化评估协议。本综述为开发下一代智能化、安全、通用性强的电池管理系统提供了理论指导和方法论基础。

## 引言

锂离子电池凭借其高能量密度、长循环寿命和环境效益，已成为电动汽车、大规模储能系统和新兴低空经济应用的主要动力来源[1]。电池的健康状态直接决定了其所服务系统的运行可靠性、安全性和经济价值。因此，对健康状态（SOH）和剩余使用寿命（RUL）等关键状态指标进行准确且鲁棒的评估，是电池管理系统中的关键任务，也是推进智能化和高效现代能源系统的核心挑战[2]。

在锂离子电池健康状态预测方面，研究人员已发展出基于模型的方法、数据驱动方法和混合方法[3]。基于模型的方法，如增强型单颗粒模型结合粒子滤波[4]和一阶等效电路模型（ECM）[5]，具有机制可解释性。数据驱动技术，包括长短期记忆网络（LSTM）[6]和卷积神经网络（CNN）[7]，擅长提取时序和空间退化特征。混合框架，如支持向量机（SVM）结合双滤波器[8]和CNN-LSTM-DNN[9]，进一步提高了预测精度。

然而，这些方法依赖于一个关键假设：训练数据和测试数据服从独立同分布（IID）。在真实的动态运行环境中，锂离子电池数据通常表现出显著的非独立同分布（Non-IID）特征。其原因包括制造公差、运行条件变化、电化学过程强时序耦合、标注成本高、概念漂移以及由于商业隐私导致的数据孤岛。这些因素共同导致传统集中式学习方法泛化能力不足、预测性能下降，无法满足分布式大规模电池簇的管理需求。

为应对Non-IID数据带来的挑战，研究人员开发了多种替代范式。这些方法大致分为集中式算法策略和分布式协作框架两类。集中式策略包括域适应（DA）[10]、持续学习（CL）[11]、在线学习（OL）[12]、分布鲁棒优化（DRO）[13]，以及重加权或重采样技术[14]。分布式框架包括分裂学习（SL）[15]、去中心化随机梯度下降（D-SGD）[16]、知识蒸馏（KD）[17]和联邦学习（FL）[18]、[19]、[20]。每种范式在隐私保护、通信效率、异质性鲁棒性和适用条件方面呈现不同的权衡关系。联邦学习在隐私保护、通信开销和灵活性之间提供了理想的平衡，成为领先候选方案，尽管其在极端Non-IID条件下的有效性仍需针对性的算法增强。

近年来，个性化联邦学习（PFL）、联邦迁移学习（FTL）和半监督联邦学习（SSFL）的最新进展在电池健康状态预测中取得了成功[21]、[22]、[23]。例如，自适应多个性化联邦学习已应用于多电池数据异质性条件下的SOH估计[24]；隐私保护型FTL改善了异构客户端间的RUL预测[25]；联邦半监督学习（FSSL）和自监督联邦学习（Self-SFL）框架利用无标签数据解决了标签稀缺问题[26]、[27]。此外，去噪Transformer和LSTM网络等增强模型在联邦学习系统中提高了RUL预测的准确性和鲁棒性[28]、[29]。

尽管取得了这些进展，但在电池健康状态预测中，联邦学习策略的统一分类体系仍然缺失。针对不同联邦学习方法在适用性边界和处理Non-IID特征时的融合潜力方面，系统的比较分析仍然不足。现有研究大多聚焦于特定场景下的性能提升，而对聚合机制、个性化策略和通信模式如何适应不同程度数据异质性的系统性评估仍然不够充分。

本综述旨在系统梳理Non-IID数据环境下锂离子电池健康状态预测的研究进展和核心挑战。具体而言，本文首先通过对大规模真实车辆运行数据的可视化分析和定量异质性评估，总结电池数据异质性的典型表现形式，并建立从数据异常到物理退化机制和建模偏差的分层映射框架。在此基础上，分析传统集中式预测方法的固有局限性，系统比较集中式算法策略和分布式协作框架的权衡关系，并阐明向联邦学习范式过渡的动机。进一步地，根据五种Non-IID挑战类型，对代表性联邦学习策略进行梳理和分类，并比较其适用性边界和相对优势。最后，在总结现有不足的基础上，概述了包括多层次分布对齐、轻量化通信、可解释建模和标准化评估在内的未来方向。本文的主要内容和思路如图1所示。本工作的主要贡献如下：

（1）通过对大规模真实车辆运行数据的可视化分析和定量异质性评估，本文从特征分布偏移、标签分布偏差、概念漂移、数量不平衡和时间依赖性五个方面考察了锂离子电池数据的Non-IID特性，初步构建了涵盖数据表现、物理原因和建模影响的分层映射框架，从而为理解电池数据异质性提供了结构化视角。

（2）本文回顾和讨论了传统集中式方法在Non-IID条件下的适用性，分析了其在泛化能力、数据隐私和可扩展性方面的局限性，并系统比较了集中式算法策略与分布式协作框架的权衡关系，从而阐明了探索联邦学习范式的动机。

（3）根据其针对的具体Non-IID挑战，本文梳理和分类了若干代表性联邦学习策略，包括PFL、FTL、FSSL、自监督联邦学习和动态聚合，并对其适用场景和相对特点进行了初步比较。在此基础上，简要概述了多层次分布对齐、轻量化优化和可解释建模等未来研究方向。

本文其余部分组织如下。第2节介绍锂离子电池的关键健康指标，通过对真实车辆数据集的可视化和定量异质性评估，分析五种Non-IID特征类型及其物理成因，并建立从数据异常到预测偏差的多层映射框架。第3节回顾代表性集中式预测方法，讨论其在Non-IID条件下的局限性，系统比较集中式算法策略和分布式协作框架的权衡关系，并阐明向联邦学习范式过渡的动机。第4节聚焦于Non-IID环境下的电池健康状态预测，首先概述联邦学习的基本原理及其与Non-IID类别的统计映射关系，然后根据五种Non-IID挑战类型回顾代表性联邦学习策略，并讨论多种Non-IID类型共存场景下的集成框架。第5节总结现有研究在异质性量化、模型可解释性、通信效率和标准化评估方面的局限性，并对未来方向进行展望。第6节总结全文。

## 锂离子电池的关键健康指标

有效的电池健康监控可以防止灾难性故障。随着电池老化，内部副反应会削弱热稳定性，在过充或高温等滥用条件下可能发生热失控，导致火灾或爆炸[30]。预测电池寿命可以实现早期预警或及时退役，作为主动安全防护手段[31]。准确的寿命预测还支持维护调度，从故障后维修模式转变……

## 集中式方法在Non-IID条件下的局限性

为实现锂离子电池精确的状态估计和RUL预测，研究人员开发了三种主要类型的集中式预测方法：基于模型的方法、数据驱动方法以及结合两者优势的混合或迁移学习方法[61]。

本节旨在分析传统集中式预测方法，剖析其在分布式环境中的固有缺陷，从而阐明探索分布式方法的动机……

## 联邦学习的基本原理

随着分布式集群系统和工业应用的扩展，以及Non-IID数据特征的日益凸显，锂离子电池应用已呈现出明显的分布式发展趋势。这一演变对电池健康状态预测的分布式计算、数据采集、传输和处理提出了更高要求[28]。

作为一种高效的分布式学习框架，联邦学习为克服……提供了可行的解决方案。

## 研究现状讨论

锂离子电池在实际应用中的大规模部署日益揭示出依赖独立同分布假设的健康预测模型的局限性。第2节的实证分析表明，电池运行数据在五个维度上系统性地偏离了这一假设：特征分布偏移、标签分布偏差、概念漂移、数量不平衡以及带有缺失值的时间依赖性。这……

## 结论

锂离子电池健康状态预测面临来自真实运行数据的根本性挑战，这些数据始终违背独立同分布假设。对大规模电动汽车数据集的定量分析识别出五种异质性类型：特征分布偏移、标签分布偏差、概念漂移、数量不平衡以及带有缺失数据的时间依赖性。这些不规则性源于制造公差、运行条件变化、演化的老化机制、数据……

## CRediT作者贡献声明

赵旭：撰写—初稿、可视化、监督、软件、方法学。
尤力亚：撰写—审阅与编辑、监督、经费获取。
李少波：撰写—审阅与编辑、资源。
袁潘良：验证、监督、方法学。
胡辰言：撰写—审阅与编辑、形式分析。

## 利益冲突声明

作者声明不存在可能影响本文所报告工作的已知财务利益或个人关系。

## 致谢

本工作由中国国家重点研发计划（编号：2023YFB3308802）资助。本工作还得到国家自然科学基金（编号：52275480）的支持。

赵旭 | 尤力亚 | 李少波 | 袁潘良 | 胡辰言
贵州大学 机械工程学院，贵阳，55000，中国贵州