《Journal of Electronic Science and Technology》：Equivalent-circuit-model-guided feature selection for interpretable battery state-of-health estimation
编辑推荐：
可靠的电池健康状态（SOH）估计不仅依赖于非线性映射器，还取决于其输入是否紧凑、信息丰富且具有物理可解释性。研究人员开发了一种等效电路模型（ECM）引导的特征选择策略，该策略离线使用分数阶ECM参数作为充电响应和增量容量分析（ICA）特征的物理锚点。预测评估包
可靠的电池健康状态（SOH）估计不仅依赖于非线性映射器，还取决于其输入是否紧凑、信息丰富且具有物理可解释性。研究人员开发了一种等效电路模型（ECM）引导的特征选择策略，该策略离线使用分数阶ECM参数作为充电响应和增量容量分析（ICA）特征的物理锚点。预测评估包含来自十节商用镍钴铝（NCA）电芯在25 °C、35 °C和45 °C、0.5 C协议下测试的4259个循环样本。研究人员使用门控循环单元（GRU）和时间卷积网络（TCN）非线性映射器，将13维（13D）完整输入与五个等基数8维（8D）方案进行了比较。十折留一电池（LOBO）验证提供了主要证据。在8D方案中，皮尔逊相关系数（PCC-8D）给出了最低的GRU宏观均方根误差（RMSE）。物理锚定的ECM-8D给出了最低的TCN宏观RMSE。因此，ECM-8D具有竞争力，而非普遍最准确。保留的两个充电时间比率具有确定性关系，7D移除敏感性揭示了依赖于电池和架构的效应。ECM拟合仅在离线特征设计时需要；推理使用充电、ICA和温度变量。这些结果支持在所测试的NCA协议内构建可解释SOH输入的有界路径，而非跨化学体系或更广泛工况的泛化。
锂离子电池因其高能量密度和功率能力，在电动交通、固定储能和便携设备中得到广泛应用。健康状态（state of health, SOH）估计是电池安全评估、寿命管理和维护决策的重要基础。可靠的SOH估计不仅取决于非线性映射器的选择，还取决于输入特征是否紧凑、信息丰富且具有物理可解释性。现有数据驱动方法常直接使用高维或冗余特征，物理机制不明确；纯模型驱动方法又可能因在线阻抗测量要求而难以部署。针对这一问题，研究人员开发了一种基于等效电路模型（equivalent circuit model, ECM）引导的特征选择策略，旨在利用离线物理锚点筛选充电响应与增量容量分析（incremental capacity analysis, ICA）特征，从而在保持预测精度的同时提升输入的可解释性，并避免在线EIS测量的负担。
该研究基于公共老化数据集，包含十节商用镍钴铝（nickel–cobalt–aluminum, NCA）18650电芯在25 °C、35 °C和45 °C、0.5 C循环协议下的4259个循环样本。研究人员首先构建了一个13维（13D）完整输入，用于与五个等基数的8维（8D）输入方案进行比较。分数阶ECM参数被离线用作物理锚点；同时以皮尔逊相关系数（Pearson correlation coefficient, PCC）、斯皮尔曼相关系数（Spearman correlation coefficient, SCC）、最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）以及随机森林（random forest, RF）重要性作为等基数的特征选择对比方法。采用门控循环单元（gated recurrent unit, GRU）和时间卷积网络（temporal convolutional network, TCN）作为非线性映射器，并通过十折留一电池（leave-one-battery-out, LOBO）验证评估未见电池的预测性能。结果表明，在8D方案中，PCC-8D对GRU获得最低宏观均方根误差（root mean square error, RMSE），而ECM-8D对TCN获得最低宏观RMSE；ECM-8D具有竞争力，但并非普遍最优。研究还发现保留的两个充电时间比率存在确定性关系，移除任一比率均可在两种架构上改善宏观平均性能，但效果因电芯而异。整个流程中，ECM拟合仅用于离线特征设计，在线推理只使用充电、ICA和温度变量。该研究为在测试的NCA协议内构建可解释SOH输入提供了有界路径，但并未声称跨化学体系或更宽工况的泛化。
关键技术方法简要概括如下：研究使用了来自公共老化研究的十节NCA电芯样本，并采集电化学阻抗谱（electrochemical impedance spectroscopy, EIS）数据。主要方法包括：对每个温度的代表性频谱拟合分数阶ECM，与匹配的整数阶ECM比较以确认其作为物理锚点的适当性；利用六节混合电芯（含NCA和NCM）的107个匹配充电-EIS检查点，计算候选特征与四个ECM描述符（R0、R1、R2、W1）之间的相关系数，并通过Borda评分进行等权共识排序，得到ECM-8D特征集；同时以PCC、SCC、LASSO和RF重要性构建四个等基数的8D对比方案；在GRU和TCN上采用序列长度为一（seq_len = 1）的循环级向量，执行十折LOBO验证，确保留出电池不参与缩放、特征选择与停止时期确定，最后通过7D移除敏感性分析冗余比率的影响。
以下为研究结果部分。
3.1 代表性频谱比较支持分数阶ECM作为离线物理锚点：在三个温度各一个预选频谱上，分数阶ECM相比匹配的整数阶电路，RMSE分别降低88.2%、86.7%和79.1%，复决定系数R2提升至0.99995以上，修正赤池信息准则（AICc）也一致更低。这支持分数阶元件能捕捉非理想界面弥散，但仅限代表性频谱，不说明普遍电路优越性。
3.2 符号关联分析揭示稳定重叠、方向异质性和确定性冗余：用SCC替代PCC后，前七特征中六个重叠，但全排序相关仅为0.615，表明选择部分稳健。符号矩阵显示CC时间、比率特征和ICA峰幅度与R0、R1、R2一般负相关，而初始/峰电压正相关；与W1关联方向多变。tCV的符号一致性极低，说明仅用平均绝对值可能掩盖方向抵消。τ1
