基于交叉工况锂离子电池拐点预测的可解释残差神经网络

《Energy and AI》：Cross-condition knee point prediction of lithium-ion batteries using interpretable residual neural networks

　　

准确的拐点预测对于锂离子电池安全性、寿命管理和梯次利用至关重要。然而，非线性退化行为和强运行工况依赖性使得早期鲁棒的拐点预测充满挑战。本研究提出一种可解释残差学习框架，命名为Boruta–Attention–SHAP–残差网络（Boruta–Attention–SHAP–Residual Network，BASR-Net），用于早期拐点预测。研究人员采用Bacon–Watts模型识别参考拐点，同时从早期寿命数据中提取容量-电压差特征（ΔQ(V)）、增量容量（incremental capacity，IC）特征和可用容量窗口（usable-capacity-window，UCW）特征。BASR-Net集成了基于Boruta的特征选择、源自SHAP的变量加权、残差学习和自动超参数优化，以提高预测精度和可解释性。在涵盖镍钴锰酸锂（NMC）和磷酸铁锂（LFP）两种化学体系的三个电池老化数据集上的实验表明，该方法在多种评估设置下均表现出强劲性能。在数据集1上，BASR-Net在10折交叉验证下实现了1.73周的平均绝对误差（MAE）和0.926的R2。在更严格的整个放电深度（DoD）工况留出测试下，该方法取得了1.43周的MAE和0.950的R2。在基于CORAL的直推式跨数据集迁移中，在两个独立目标数据集上分别获得了0.0192 Ah和0.0228 Ah的拐点容量MAE。额外的严格零样本实验进一步证实了在模型开发过程中不访问目标域数据的情况下依然具备鲁棒迁移能力。消融实验、重复种子实验和经典回归对比进一步证明了所提框架的有效性和稳定性。

基于交叉工况锂离子电池拐点预测的可解释残差神经网络：研究背景、方法与结论解读

一、研究背景与现存问题

锂离子电池作为电动汽车和储能系统的核心能量单元，正推动全球能源转型和碳减排。然而，锂离子电池在运行过程中不可避免地会发生容量衰减和性能退化，其复杂的非线性老化模式对寿命预测和安全管理构成了重大挑战。特别是经过一定循环次数后，退化速率往往从缓慢阶段转变为加速阶段，形成所谓的“拐点”（knee point）。大量实验证据表明，拐点通常出现在剩余容量降至额定值的70%–95%时；一旦发生这种转变，加速退化不仅会缩短使用寿命，还可能引发安全隐患。因此，拐点不仅是健康快速恶化的开端，也是可靠性和经济价值的关键指标。准确识别和预测拐点对于延长使用寿命、优化退役和梯次利用策略以及确保运行安全至关重要。

现有电池退化与拐点预测方法大致可分为基于模型或物理信息的方法和数据驱动的方法。基于模型的方法融入电化学机理、等效电路表示或具有物理意义的健康指标来描述电池退化，但其实际应用可能需要详细的模型参数、电极级信息或内部状态，而这些在实际电池系统中并不总是容易获取。数据驱动方法通过直接从测量的电池数据中学习退化关系提供了更大的灵活性。尽管已有诸多研究展示了从早期信息预测未来退化行为的可行性，但仍存在若干共同局限：首先，一些方法依赖电极级信息、详细物理参数或大量特征工程，降低了其在仅有常规测量外部信号时的适用性；其次，许多深度学习方法需要较长的循环序列或大量时间序列数据，而基于有限的早期测量进行可靠预测仍然具有挑战性；第三，大多数现有研究主要关注特定数据集或运行工况内的预测性能，而对显著工况变化、不同DoD制度、电池化学体系和跨数据集分布差异的系统性评估仍然有限；最后，在实现强跨工况泛化能力的同时保持透明的特征级可解释性仍是一个重要挑战。

二、研究内容与主要技术方法

针对上述问题，本研究提出了Boruta–Attention–SHAP–残差网络（BASR-Net）用于早期电池拐点预测。与依赖详细电化学参数或长退化序列的方法不同，该框架使用了从有限早期参考性能测试（RPT）测量中提取的退化敏感描述符，包括容量-电压差特征（ΔQ(V)）、增量容量（IC）特征和可用容量窗口（UCW）特征。关键技术方法主要包括：基于Boruta的特征筛选、结合SHAP引导的特征级权重分配、残差非线性回归以及自动化超参数优化。在该框架中，SHAP衍生的特征相关性为特征加权机制提供了可解释的先验知识，“注意力”组件指自适应特征级权重分配而非Transformer式的自注意力机制。此外，研究还采用了基于CORAL的直推式适应和严格的零样本迁移策略进行评估。本研究使用了三个电池老化数据集，涵盖NMC和LFP两种化学体系：数据集1为ISU-ILCC电池老化数据集（包含251颗NMC电池，在30°C下以多种充放电倍率和DoD条件测试），数据集2为Severson等人报道的快充循环寿命数据集（包含124颗商用LFP/石墨圆柱电池），数据集3为研究团队自测的NMC/18650电池老化数据集（初始14颗电池，经拐点标签质量筛选后保留5颗）。

三、主要研究结果

3.1 多特征提取与拐点识别

研究人员开发了一套统一的多特征提取方案，整合了容量-电压差特征（ΔQ(V)）、增量容量（IC）特征和可用容量窗口（UCW）特征。这些描述符捕捉了互补的退化信息，包括电压-容量偏移、IC峰值演变以及来自有限早期测量的可用容量下降。参考拐点通过Bacon–Watts模型识别，该模型通过双斜率和过渡点的平滑因子实现了退化过程的连续描述。

3.2 BASR-Net框架的性能评估

在数据集1上，BASR-Net在10折交叉验证下实现了1.73周的MAE和0.926的R2。在更严格的整个DoD工况留出测试中，该方法取得了1.43周的MAE和0.950的R2，显示出在不同工况下的强大泛化能力。

3.3 跨数据集迁移能力验证

在基于CORAL的直推式跨数据集迁移实验中，BASR-Net在两个独立的目标数据集上分别获得了0.0192 Ah和0.0228 Ah的拐点容量MAE。额外的严格零样本实验进一步证实了在模型开发过程中不访问目标域数据的情况下依然具备鲁棒迁移能力。

3.4 消融与对比实验

消融实验、重复种子实验和经典回归对比进一步证明了所提框架的有效性和稳定性。通过与现有方法的比较，BASR-Net在预测精度和可解释性方面均展现出优势。

四、讨论与结论

本研究的讨论部分指出，BASR-Net框架通过整合Boruta特征筛选、SHAP引导的特征加权和残差学习，有效解决了跨工况条件下早期拐点预测的挑战。该框架的优势在于：能够从有限的早期RPT测量中提取退化敏感特征，无需依赖详细电化学参数或长退化序列；通过可解释的特征加权机制提供透明预测，增强了模型的可靠性；在跨数据集和跨化学体系场景下展现出良好的泛化能力。

研究结论：本研究提出的BASR-Net框架为锂离子电池早期拐点预测提供了一种准确且可解释的解决方案。通过在三个不同化学体系和工况条件下的数据集上进行全面评估，验证了该方法在传统数据集内预测、整个DoD工况留出测试以及跨数据集迁移（包括CORAL直推式适应和严格零样本迁移）等多种场景下的有效性。该框架在保持高预测精度的同时实现了特征级别的可解释性，为电池安全管理和梯次利用决策提供了有力支持。