一种物理引导的Transformer用于实际电动汽车中稳健的健康状态估计

《Journal of Energy Storage》：A physics-guided transformer for robust state of health estimation in real-world electric vehicles

　　

•IG 分布和 STEKF 将内在特征从嘈杂的电动汽车数据中解耦。
•机制引导的 PatchTST 将物理先验与数据表示对齐。
•PCGrad 缓解了数据拟合与物理正则化之间的梯度冲突。
•在 300 辆真实电动汽车上验证，实现了高度稳健的 SOH 跟踪。
•该模型每次前向传播需要 0.35M 个参数和 12.5M FLOPs。

引言
锂离子电池（LIBs）以其高能量密度、低自放电率、长循环寿命和不断降低的成本，成为电动汽车（EV）和电网级储能系统的主要能量载体 [1], [2]。然而，电池本质上是一个随时间变化的系统，会随着持续时间和使用强度而演变。由于复杂的微观机制，其性能不可避免地退化，主要是由持续生长的固体电解质界面膜（SEI）驱动的锂库存损失（LLI），以及循环应力下电极颗粒开裂和粉碎引起的活性材料损失（LAM）[3], [4]。宏观上，这些微观退化表现为健康状态（SOH）的下降。对于电池管理系统（BMS）而言，准确的 SOH 估计至关重要，不仅为了确保安全，避免热失控等危及安全性的故障，而且为了在整个电池生命周期内最大化资产价值 [5], [6], [7]。

尽管现有的 SOH 估计方法取得了实质性的理论进展，但在工业应用中仍面临相当大的挑战。主流方法通常分为基于模型的方法和数据驱动方法 [8]。基于模型的方法，如电化学模型（EM）和等效电路模型（ECM），具有清晰的物理可解释性，但严重依赖参数识别的准确性 [9], [10]。在真实车辆环境中，传感器噪声和突变负载波动经常导致在线参数识别发散。此外，固定参数模型难以适应整个生命周期内的非线性老化特性，导致累积估计误差 [11], [12]。

相反，数据驱动方法——包括支持向量机（SVM）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和 Transformer——擅长捕捉非线性映射，并在标准实验室数据集（例如 NASA, Oxford）上表现出优越的准确性 [13], [14], [15]。然而，当为实验室恒流恒压（CC-CV）协议优化的算法部署在真实车辆环境中时，其性能往往会显著下降 [16], [17]。这种退化主要归因于真实运行环境的高度异质性，其特征是由于随机驾驶行为引起的剧烈负载波动、显著的跨季节温度变化以及碎片化的充电习惯。这些因素造成了真实世界数据分布与标准实验室数据之间的根本差异，从而限制了基于实验室数据训练的模型的泛化能力 [18], [19]。

我们的分析表明，与实验室场景不同，真实车辆数据表现出强烈的随机性和非平稳性。由驾驶行为引起的高频动态负载信号经常叠加在长期电池老化信号上。这种现象在视觉上可描述为“信号掩蔽效应”，显著减弱了传感器信号（例如电压、电流）与 SOH 之间的因果相关性，这是在复杂动态条件下同样注意到的一种干扰挑战 [20]，从而损害了数据驱动模型在可变工况下的稳健性。具体来说，车辆运行数据包括两类不同的动态信号：由驾驶行为引起的高频操作动态（秒级，大电压波动）和由材料退化引起的低频老化动态（月/年级，细微电压变化）。在真实环境中，高频信号的强度远超低频老化信号，导致物理信噪比低。因此，深度学习模型倾向于过拟合显式时域波动，而忽略了隐式退化机制。

为缓解此问题，最近的物理引导机器学习（PGML）方法试图将物理定律（例如单调性约束）作为惩罚项纳入损失函数 [21], [22], [23]。然而，当此类方法通过随机梯度下降（SGD）实施时，会出现一种称为梯度冲突的理论冲突。从优化角度看，数据驱动经验风险的梯度方向往往与高维空间中的物理一致性约束方向相反。深度学习依靠随机批次洗牌以确保无偏梯度估计，而电池老化物理则严格依赖顺序时间顺序。在训练期间，当模型处理随机批次时，物理损失的梯度方向可能与数据拟合损失（MSE）的梯度方向来回振荡。这种冲突不仅无法有效约束模型，还会阻碍特征提取，导致收敛困难。因此，在动态真实条件下实现物理特征解耦并有效解决梯度冲突仍然是一个紧迫的挑战。

为了解决上述特征耦合困难和训练阶段约束的限制，本文提出了一种物理引导多任务约束深度学习模型（P-MCDM），旨在实现复杂真实条件下的稳健 SOH 估计。本工作的主要贡献总结如下：
(1) 通过二阶动力学构建基于机制的特征精炼模块。为解决真实数据中的信号掩蔽问题，首先通过相关分析和格兰杰因果检验从多维统计指标中识别核心特征子集。随后，通过集成逆高斯（IG）分布建模与强跟踪扩展卡尔曼滤波器（STEKF），将反映潜在电化学性质的内在特征从嘈杂数据中解耦，显著提高了物理信噪比。
(2) 设计物理引导的 PSD-PatchTST 预测架构。针对真实数据的低频采样特性，采用通道独立补丁运算符处理事件级特征序列，以提取与老化相关的时间依赖性。在此基础上，机制引导交叉注意力（MG-CA）机制使用内在物理特征作为查询向量，以在潜在空间中对齐数据表示与物理先验。
(3) 实施基于梯度投影的冲突解决策略。采用投影冲突梯度（PCGrad）算法来缓解数据驱动损失与物理一致性损失之间的梯度冲突。低频物理代理正则化（LF-PPR）鼓励在非平稳条件下与宏观单调退化趋势保持一致，而贝叶斯回归头为 BMS 警告应用提供不确定性估计。
(4) 基于逐车评估协议的大规模验证。在 300 辆电动汽车真实车队数据集上，采用 6:2:2 逐车划分，P-MCDM 达到了 2.16% 的 RMSE 和 0.982 的 R2，相对于等效的多模态 ResNet 基线减少了约 36.8% 的预测误差，相对于普通 Transformer 减少了 46.3%。

本文其余部分组织如下：第 2 节分析真实数据集的异质特征，并详细说明从统计指标到内在机制特征的精炼过程。第 3 节详细阐述 P-MCDM 的整体架构，重点关注 PSD-PatchTST 编码器、MG-CA 机制和梯度冲突解决策略的实施细节。第 4 节基于大规模真实数据呈现全面的对比实验、分层消融研究和物理稳健性验证。最后，第 5 节总结了全文。

章节片段
健康状态（SOH）定义
锂离子电池的 SOH 用于定量描述电池的健康状态，反映其当前储能能力相对于额定容量的退化程度。数学定义表达为公式 (1)：SOH=(Ccurr/Crated)×100%
其中 Ccurr 表示电池的当前实际容量，Crated 表示制造时的额定容量。

数据预处理和信号分析
本研究采用了大型开源真实车辆数据集，由...提供

方法论
本节详细介绍了所提出的 P-MCDM 的整体架构和核心机制。为了解决真实运行数据中普遍存在的信号掩蔽效应和联合训练期间的梯度冲突挑战，该模型建立了一个从特征解耦到约束优化的端到端预测流程。如图 5 所示，该架构由三个紧密耦合的级联阶段组成：
(1) 基于物理的特征提取：作为感知...

消融实验分析
本节验证了 P-MCDM 框架在处理复杂真实工况时每个核心组件的具体贡献。在 300 辆车辆数据集上进行了分层实验，采用第 3.4.2 节定义的逐车 6:2:2 划分，以确保每个报告的指标仅在 60 辆未见的测试车辆上评估。通过构建从 M1 到 M8 的渐进配置，评估了长期时间表示、电化学...的影响。

结论
为应对真实 SOH 估计的复杂性——特别是低采样频率、高随机性以及现有模型缺乏物理先验——本文开发了 P-MCDM 框架。在涵盖 300 辆真实电动汽车的大规模数据集上验证，本研究的主要发现如下：
1. 提出的基于机制的特征精炼有效地从高噪声车队数据中解码了潜在退化特征。通过转换初始特征...

CRediT 作者贡献声明
郭立军：写作 – 审阅与编辑，监督，资源，项目管理，概念化。
李玉航：写作 – 初稿，可视化，验证，软件，方法论，调查，形式分析，数据整理，概念化。
张旺廷：写作 – 审阅与编辑，验证。

利益冲突声明
作者声明他们没有任何已知的竞争性经济利益或个人关系可能会影响本文报告的工作。

郭立军 | 李玉航 | 张旺廷