《Scientific African》：Physically constrained multi-task CNN–GRU framework for simultaneous SOC and SOH estimation
编辑推荐：
可靠估计荷电状态（SOC）和健康状态（SOH）对于锂离子电池管理系统（BMS）的安全高效运行至关重要。尽管近期深度学习方法已提升了估计精度，但许多方法将SOC和SOH视为独立任务，且可能产生与受控老化条件下预期退化行为不一致的SOH轨迹。本研究提出一种基于多任
可靠估计荷电状态（SOC）和健康状态（SOH）对于锂离子电池管理系统（BMS）的安全高效运行至关重要。尽管近期深度学习方法已提升了估计精度，但许多方法将SOC和SOH视为独立任务，且可能产生与受控老化条件下预期退化行为不一致的SOH轨迹。本研究提出一种基于多任务CNN–GRU架构的结构化估计框架，利用电压、电流和温度测量数据同时实现窗口级SOC和循环级SOH的估计。所提出的方法并未引入新的预测模块，而是在一个分层估计流程中整合了共享特征学习、单调性感知优化和确定性后处理，各组成部分均被独立评估。该框架使用NASA卓越预测中心（PCoE）电池数据集进行评估，通过包括单任务与多任务学习在内的对比实验、物理一致性机制的消融分析、主要超参数的敏感性分析、三种受控随机初始化下的鲁棒性评估以及计算复杂度评估。实验结果表明，在评估的初始化条件下，多任务学习为联合电池状态估计提供了一致的改进，而所提出的物理一致性机制主要增强了SOH轨迹的单调行为，对预测精度仅有轻微影响。这些发现支持所提出的结构化估计方法，同时展示了在所采用的NASA PCoE评估协议下共享学习与确定性物理一致性机制各自的贡献。
论文解读文章
一、研究背景与问题
锂离子电池因其高能量密度、长循环寿命和良好的功率能力，已成为电动汽车领域的主导储能技术。随着其在交通、可再生能源系统和智能电网中的广泛部署，电池管理系统（BMS）的性能要求显著提高，其核心功能涵盖运行安全、能量管理、充电监督和寿命保持。因此，可靠估计电池状态对于确保高效运行和长期耐久性至关重要。
在BMS监测的众多变量中，SOC和SOH扮演互补角色。SOC表示运行期间剩余可用容量，而SOH表征电池在整个使用寿命中逐渐退化的程度。尽管两者描述了电池行为的不同时间尺度，但它们均从运行期间采集的相同电压、电流和温度测量数据中推断而来。利用这一共享信息已成为改进电池状态估计的重要方向。
传统电池状态估计方法主要基于等效电路模型、电化学模型和基于观测器的技术。这些方法在可靠物理参数可用时通常能提供令人满意的精度，但其性能可能因老化、运行条件、制造变异或环境变化导致的电池特性演变而下降。其实际实施还需要重复的参数辨识和模型自适应，限制了其在高度变化运行环境中的适用性。
近年来机器学习和深度学习的进展通过直接从电压、电流和温度信号中学习非线性关系，显著改进了电池状态估计。然而，现有研究仍存在若干不足：第一，许多研究独立估计SOC和SOH，尽管两者源自相同的放电测量数据，可能受益于共享特征学习；第二，统计预测精度的提升并不必然保证SOH轨迹的物理一致性，无约束的深度学习模型可能产生与预期退化行为相矛盾的局部上升；第三，多项近期研究组合多种学习策略或后处理技术，但这些组成部分的各自贡献很少被独立检验。
二、研究内容与结论
针对上述问题，本研究提出一种分层多任务CNN–GRU框架，用于从多变量放电测量中同时估计窗口级SOC和循环级SOH。该方法的贡献不在于引入新的深度学习架构，而在于将这些互补组件明确组织在一个统一估计框架中，并独立实验评估其各自贡献。该框架在公开可用的NASA PCoE电池数据集上进行评估，除预测精度外，还包括单调性机制的消融分析、单任务与多任务学习比较、主要超参数敏感性分析、三种受控随机初始化下的鲁棒性评估以及计算复杂度评估。
实验结果表明，多任务学习在评估的初始化条件下为联合电池状态估计提供了一致改进，而所提出的物理一致性机制主要增强SOH轨迹的单调行为，对预测精度仅有轻微影响。这些发现支持所提出的结构化估计方法，同时展示了共享学习和确定性物理一致性机制各自的贡献。
三、关键技术方法
研究人员采用的主要技术方法包括：其一，混合CNN–GRU架构，通过一维卷积神经网络（CNN）提取局部时序特征，再通过门控循环单元（GRU）建模长程时间依赖，两个任务共享编码器并分别设置任务专属回归头；其二，多任务学习策略，使SOC和SOH估计共享特征表示；其三，训练期单调性正则化，通过惩罚项引导SOH预测符合预期退化趋势；其四，基于池相邻违例算法（PAVA）的确定性后处理，包括循环内和循环间两级单调投影；其五，循环级聚合，将窗口级SOH预测平均以获得循环级估计。样本来源为NASA PCoE数据集中的B0005、B0006、B0007和B0018四块电池，仅使用放电段数据，以窗口长度100、步长20的滑动窗口策略生成训练样本。
四、研究结果
数据集与实验特征。 研究人员将电池–循环对按固定随机状态42划分为训练集（70%）、验证集（15%）和测试集（15%），窗口生成后得到429个训练循环、99个验证循环和108个测试循环。输入变量采用Min–Max归一化，归一化参数仅从训练子集估计。
预处理与时间序列准备。 由于放电序列长度可变，采用滑动窗口策略将每个放电循环转换为重叠时间窗口集合。每个样本包含多变量输入序列及其关联的SOC和SOH标签。同一循环生成的所有窗口共享相同的SOH标签，因为SOH描述完整放电循环的退化状态而非单个时间片段。
混合CNN–GRU架构。 该架构结合卷积特征提取与循环时序建模，共享CNN–GRU编码器学习共同特征表示，两个任务专属回归头分别估计SOC和SOH。窗口级SOH预测经循环内PAVA校正后，在每个放电循环内取平均获得循环级SOH估计，再进行循环间PAVA处理。
多任务学习与消融分析。 通过单任务与多任务学习对比实验，验证了多任务学习在联合电池状态估计中的一致改进效果。通过消融分析，明确了物理一致性机制主要贡献在于增强SOH轨迹的单调行为，而非显著提升预测精度。
敏感性分析与鲁棒性评估。 敏感性分析考察了窗口长度和步长等主要超参数的影响，其中窗口长度120的配置获得最高预测精度和单调性指标，但训练时间增加约8.8%，最终选择100/20配置作为精度、样本可用性、计算效率和时序表示之间的平衡。鲁棒性评估采用三种受控随机初始化（42、123和2026），确认了主要比较分析结论的稳定性。
五、讨论与结论
讨论部分指出，现有文献中尚无研究在共享学习框架内同时结合窗口级SOC估计与循环级SOH估计，也未联合整合训练期局部SOH排序约束、推理后连续循环内和循环间单调投影，以及隔离多任务学习、单调性正则化和确定性后处理各自效果的实验方案。本研究的定位正在于此方法学空白。
研究结论表明，多任务学习为联合电池状态估计提供了一致改进，物理一致性机制主要增强SOH轨迹的单调行为而对预测精度影响轻微。这些发现支持所提出的结构化估计方法，同时展示了共享学习和确定性物理一致性机制各自的贡献。需要指出的是，本研究的结论限于所采用的NASA PCoE评估协议，跨异构数据集（如CALCE）的验证被视为未来工作而非本研究的声明。
