基于能量感知预热与退化一致性约束的未见电池SOH预测

《Energies》：Unseen-Cell SOH Prediction via Energy-Aware Warm-Up and Degradation-Consistency Constraints

　　

健康状态（State of Health, SOH）是锂离子电池管理系统中安全监测、寿命评估和维护决策的关键指标。然而，初始容量、退化速率、局部容量变化和健康指标演变的差异，常常导致在有限源电池上训练的模型在未见电池上产生有偏预测和不稳定轨迹。为应对这一挑战，研究人员开发了能量感知预热与退化一致性约束（Energy-Aware Warm-Up with Degradation-Consistency Constraints, EWDC）框架，用于未见电池SOH预测。EWDC将部分充电健康指标提取、健康指标图编码、循环间退化增量预测和递归SOH轨迹重建相结合。在NASA和CALCE-CS2数据集上分别进行了数据集内留一电池验证（leave-one-battery-out, LOBO）。在八个留出电池上，EWDC实现了平均均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）和决定系数R²值分别为1.21%、0.65%和0.975。相对于图神经网络（Graph Neural Network, GNN）基线，EWDC将平均RMSE和MAE分别降低了32.19%和38.83%。额外的有限源电池实验和消融研究表明，EWDC提高了数据集内未见电池的预测精度。

论文解读：锂离子电池健康状态预测的EWDC框架

锂离子电池广泛部署于电动汽车、储能系统和便携设备中，其老化过程会降低可用容量和运行可靠性。健康状态（State of Health, SOH）作为相对初始状态的容量保留比，是电池管理系统进行安全监测、寿命评估和维护调度的核心指标。然而，实际应用的关键挑战不仅在于拟合已知电池的退化轨迹，更在于对未见电池生成可靠的SOH轨迹，因为这些电池的退化速率、局部波动和健康指标（Health Indicator, HI）演变规律与训练所用的有限源电池存在明显差异。现有基于部分充电信息的方法通常将观测组织为普通向量或时序，导致健康指标间的依赖关系仅被隐式表达；图方法虽强化了关系表示，但大多直接预测绝对SOH，未显式建模循环间退化变化如何累积为完整轨迹。同时，迁移学习方法常依赖目标域适配或微调，而本研究采用更严格的源域仅（source-only）留一电池验证（LOBO）协议。此外，均匀输入扰动未考虑样本在源分布中的相对位置，递归轨迹生成时也缺乏对状态和局部增量的联合约束。这些因素需要被统一处理，而非分离优化。

针对上述耦合缺口，研究人员开发了能量感知预热与退化一致性约束（Energy-Aware Warm-Up with Degradation-Consistency Constraints, EWDC）框架，用于数据集内未见电池的SOH轨迹预测。该框架将可学习健康指标图编码、带符号的循环间退化增量预测、递归SOH轨迹重建、能量感知三阶段预热策略和两级退化一致性约束整合为一个协调的轨迹生成流程。在NASA和CALCE-CS2两个数据集上分别进行LOBO验证，跨越八个留出电池，EWDC实现了平均RMSE 1.21%、平均MAE 0.65%和平均R² 0.975；相对GNN基线，平均RMSE和MAE分别降低32.19%和38.83%。有限源实验和消融研究进一步表明，该框架能有效提升未见电池的预测精度和轨迹稳定性。其意义在于为有限源电池条件下、无需目标电池标签的SOH预测提供了一种联合建模方案，同时改善了递归生成轨迹的合理性。

研究人员采用的关键技术方法包括：基于部分充电段的健康指标提取（取样自NASA B0005、B0006、B0007、B0018和CALCE-CS2的CS2-35至CS2-38电池，从恒流充电电压4.0–4.2 V区间和恒压充电电流衰减0.5–0.1 A区间计算时长、累计电量、统计矩、斜率、熵等特征）；健康指标图编码（使用可学习邻接矩阵和两层图卷积网络聚合HI间关系）；退化增量预测头（多层感知机）和递归SOH轨迹重建；能量感知三阶段预热（根据样本能量分数在训练前期施加自适应噪声扰动并逐步衰减）；两级退化一致性约束（同时约束SOH轨迹状态和局部退化增量）。研究结果如下：

3.1 实验设置：在NASA和CALCE-CS2上独立进行LOBO评估，每折留一个电池测试，其余三个电池训练和验证；标准化参数仅从源训练数据估计；每个配置运行十次。

3.2 整体LOBO未见电池预测性能：与TCN、TFT、GNN和基本图–SOH配置（None）相比，EWDC在八个目标电池上取得最低平均RMSE、MAE和最高R²；配对Wilcoxon检验确认相对GNN的改进显著；B0018是最具挑战的目标，但EWDC仍保持较高精度。

3.3 有限源电池条件下的泛化：在1源、2源和3源设置下，EWDC在所有条件下误差最低且分布更集中；随源电池数增加，所有模型误差下降，显示EWDC对训练数据规模变化具有稳定性。

3.4 能量感知预热策略的有效性：从None到均匀高斯扰动（Gauss.）再到能量感知扰动（Energy）逐步改进；与均匀高斯扰动相比，能量感知扰动使平均RMSE和MAE分别降低26.66%和30.89%，表明样本依赖的扰动缩放优于统一扰动。

3.5 退化一致性约束的有效性：单独使用SOH轨迹级约束主要降低MAE、异常回升率和趋势误差；单独使用退化增量级约束进一步改善所有指标；两级联合约束效果最佳，能更有效抑制异常回升和局部趋势偏差。

3.6 附加消融与敏感性分析：学习图优于无图和固定Pearson相关图，说明任务自适应图学习有益；对历史窗口长度、噪声强度和最大约束权重的敏感性分析显示性能在测试范围内相对稳定；缩短部分充电窗口会使误差上升，但50%窗口下仍保持RMSE 1.61%和R² 0.956。

3.7 计算成本分析：与架构匹配的None相比，EWDC训练时间从5.1分钟/折增至6.3分钟/折，但参数数量、推理延迟和峰值内存不变；相对TFT更轻量化，相对GNN略高，计算开销与其性能提升相比可视为适中。

综合讨论与结论：本研究针对有限源电池条件下数据集内未见电池SOH预测中的预测漂移和轨迹不稳定问题，提出了EWDC框架。该框架通过健康指标图编码、符号退化增量预测、递归轨迹重建、能量感知三阶段预热和两级退化一致性约束的协同设计，在无需目标电池标签的条件下实现了高精度和稳定轨迹。当前评估限于可识别的恒流恒压部分充电段和数据集内LOBO设置，NASA与CALCE-CS2被作为独立实验域，未涉及跨数据集泛化；充电电流或温度显著变化、不完整充电段或强测量噪声可能影响特征可靠性，需要后续适配。未来工作将扩展至跨数据集泛化和更广泛的充电条件，并进一步研究动态健康指标关系和自适应训练策略。