欢迎光临HAWKER英国霍克蓄电池（中国）营销总部
服务热线：15313702523

首页 > 新闻中心

HAWKER蓄电池一种可迁移的深度学习框架用于锂离子电池跨化学体系与跨尺度的健康状态评估

锂离子电池（LIBs）的精确健康状态（SOH）评估是电池管理系统（BMSs）确保安全与高效能量利用的核心功能。然而，现有数据驱动方法大多基于单一电池化学体系或单体电池数据集进行训练，这限制了其在不同化学体系及尺度间的鲁棒性与泛化能力。本研究提出一种基于迁移学习（TL）的深度学习框架，可同时实现电芯级和模组级LIBs的SOH评估。首先，通过提取跨电化学和时间尺度的健康特征来捕捉电池退化动态。随后，通过整合Transformer与双向长短期记忆网络，构建了具有迁移能力的深度学习框架。该框架在119个涵盖LFP、NMC和NCA化学体系的单体电池及两套电池模组数据集上完成训练验证，证明了其跨化学体系和跨尺度应用的可行性。此外，本研究在特征空间中系统引入高斯扰动、缺失值和异常值，以评估模型在非理想工况下的鲁棒性。实验结果表明，该框架迁移至NMC和NCA数据集时，分别获得0.20%与0.50%的MAE、0.24%与0.56%的RMSE。在单体到模组的跨尺度迁移中，MAE始终保持在1.04%以内。进一步地，在三种噪声干扰下，模型平均MAE与RMSE分别达到1.06%和1.21%。本研究验证了迁移学习在电池健康建模中跨化学体系与跨尺度适应的潜力，为构建具有更强泛化能力和稳健工程适用性的智能电池管理系统提供了方法论支撑。

引言

随着全球能源系统向脱碳化转型，锂离子电池（LIBs）因其高能量密度和长循环寿命已成为电动汽车与储能系统的核心技术[1][2]。彭博新能源财经数据显示，全球电池产业正呈指数级增长，预计到2030年累计储能装机容量将达1太瓦时[3]。同时，电动汽车销量有望在2025年突破2000万辆，年增长率超过25%[4]。在此快速发展背景下，确保电池在全生命周期内的安全性、可靠性和效率已成为亟待解决的关键科学与工程难题。健康状态（SOH）作为量化电池性能衰减和剩余使用寿命的核心指标，其定义为锂离子电池单体当前容量与初始容量的比值[5][6][7]。然而，由于锂离子电池固有的复杂多物理场耦合退化机制（包括固体电解质界面膜的形成与生长、活性物质损失、电解质分解以及电极材料的结构演变[8][9]），精确的电池健康状态(SOH)估算仍具挑战性。这些退化过程在不同电池化学体系中表现出差异化的退化模式和时间尺度，给统一模型适配带来了本质性困难。此外，锂离子电池在电动汽车、电动垂直起降飞行器和储能系统等应用中通常以电池组形式运行。在此类pack-level配置中，cell-to-cell不一致性及multiscale热电化学耦合效应引发的退化行为，与single-cell观测结果存在显著差异[10][11]。这种cross-scale差异叠加多变工况，极大提升了实际场景中SOH估算的复杂性与不确定性。因此，开发具有跨尺度、跨化学体系适应性的鲁棒性SOH估算方法至关重要，此举可延长电池寿命、提升安全性并降低成本。
现有SOH估计方法主要分为基于物理模型的方法、数据驱动方法及混合方法[12][13][14]。基于物理模型的方法通过电池内部机制与外部特性的建模与模拟实现SOH估计[15]。这类方法的突出优势在于其卓越的可解释性与物理一致性，为理解电池衰减机制提供直接支持。Huang等[16]提出了一种自适应等效电路模型(ECM)方法，用于多性向化学体系下的实时荷电状态(SOC)/健康状态(SOH)估计。Amir等[17]开发了动态ECM模型，将开路电压特性与温度效应纳入建模框架，通过非线性最小二乘拟合有效捕捉了电池性能退化的时间演化规律。Xu等[18]进一步提出混合建模框架，将简化电化学模型与ECM协同结合，实现了SOC与SOH的协同估计。然而，基于模型的SOH估计方法需要复杂的物理参数且通常产生高昂计算成本，这限制了其在电池管理系统(BMS)中的应用。
与基于物理模型的方法相比，数据驱动方法直接利用电池运行数据提取老化相关特征，并通过机器学习或深度学习算法建立这些特征与SOH之间的映射关系，无需对复杂电化学机制进行限制级建模[19][20][21]。现有数据驱动方法可分为两大技术分支：传统机器学习模型与深度学习架构[22][23]。例如，Lu等人[24]采用域适应与集成学习技术，实现了无需额外实验的跨域SOH估算。Wu团队[25]设计了一种混合LSTM-GRU压缩模型，通过循环数据的综合分析及关键健康特征选择，捕捉电池的时间退化趋势。Sun等学者[26]将增量容量分析与双向LSTM相结合以提升SOH估算精度。此外，Zhu等人[27]提出了一种基于电压松弛曲线的数据驱动容量估计方法，该方法直接在商用电池数据集上实现了较低的容量估计误差，无需进行复杂的老化实验或电化学测试。近年来，研究者们探索了多种超越Transformer的新型深度学习架构用于电池状态估计。Zhang等[28]提出了一种集成Mamba与LSTM模块的多深度专家网络框架，用于联合SOC与SOH估计。Liu等[29]开发了基于差分电压特征的BiLSTM-Mamba2混合网络用于SOH估计。尽管数据驱动方法在预测精度和计算效率方面展现出显著的技术优势，但其固有的"黑箱"特性可能导致物理可解释性不足，这在一定程度上限制了其在安全关键应用中的广泛部署。
近期，融合物理模型与数据驱动方法的混合建模框架逐渐兴起，以兼顾计算效率与可解释性[30]。物理信息神经网络是这一范式的典型代表，其通过将物理约束嵌入训练过程，从而提升了纯数据驱动方法所不及的泛化能力[31][32]。例如Wang等学者[31]提出了一种物理约束神经网络方法，将经验退化模型与状态空间方程整合到神经网络架构中，用于描述锂离子电池退化动态。Ye等[33]则在牛津与NASA数据集上施加了增量容量曲线峰值与健康状态之间的单调约束，并结合物理一致性微调策略，同步提升了模型精度与可解释性。据作者所知，混合方法学通过融合基于物理模型的可解释性与数据驱动方法的预测能力，为电池健康建模提供了前景广阔的路径。然而，这些方法仍高度依赖于底层物理模型的结构与参数化设定，其对于不同电池化学体系、使用场景以及从单体电池到电池组的多层级应用的普适性，仍需进一步的验证与完善。
基于这一基础，迁移学习（TL）已被用于通过将知识从源域转移至目标域来缓解不同数据源和运行条件间的分布不一致性问题[34][35][36][37]。尽管电池组在结构特性和退化速率方面与单体电池存在差异，但两者在老化趋势和关键特征提取路径上具有某些共性，这为迁移学习提供了可利用的结构先验[38][39]。近期越来越多的研究开始将迁移学习方法应用于电池健康管理领域。周等[40]采用深度残差卷积网络从充电电压曲线中提取特征，结合迁移策略实现LFP电池的老化轨迹预测。赵等[41]构建了卷积网络与自注意力机制混合的框架，通过在三个独立数据集上进行预训练与迁移，获得高精度SOH估计值。针对标签稀缺问题，王等[42]提出改进视觉Transformer与半监督迁移学习相结合的方法，从IC曲线中执行深层特征提取。然而，该方法会产生大量计算开销，且在直接解析内部退化机制的能力方面仍存在局限。近期研究进一步拓展了基于迁移学习的健康状态（SOH）估计在输入模态与模型架构方面的多样性。Xing等[43]提出基于电化学阻抗谱的迁移学习框架，通过跨领域知识迁移实现了RMSE低于2%的SOH估计，且无需对目标电池进行退化实验。Zhao等[44]开发了融合卷积神经网络与自注意力机制的混合模型，并在222个磷酸铁锂（LFP）电池上验证了跨数据集SOH预测性能。此外，Zhao等[45]提出数字孪生驱动的TCN-LSTM架构，利用迁移学习动态更新神经网络参数以实现实时SOH估计。
基于上述分析，电池健康状态（SOH）评估在方法论与应用验证方面已取得显著进展。然而，工程化实施仍面临两大关键挑战：其一，大多数数据驱动方法仅在单体电池层面进行训练与验证，制约了其在电池模组及电池包中的适用性；其二，实际工况下的电压、电流、温度及里程测量数据存在噪声干扰、缺失值及异常工况等问题。为应对这些挑战，本研究提出一种结合迁移学习（TL）的Transformer-双向长短期记忆（BiLSTM）融合框架，用于跨化学体系与电池包健康状态（SOH）估计，如图1所示。该框架从电化学和时间尺度两个维度构建电池健康特征，其设计重点在于内部退化机制与时间动态特性的表征。该架构由Transformer编码器与BiLSTM解码器组成：Transformer编码器负责全局特征建模并捕获长期依赖关系。BiLSTM解码器通过双向处理时序信息实现精确预测[46][47]。%%同时，本研究开发了一种迁移学习算法，通过特征级知识迁移和模型参数自适应微调，实现跨化学体系与跨尺度的模型适配。此外，研究采用包含119个多化学体系电池单体（LFP、NMC、NCA）的公开数据库及两组电池组老化实验的综合性数据集进行验证，为跨化学体系与跨尺度验证提供了实质性支撑。%%通过引入多类型噪声干扰的对比实验，系统评估了模型在复杂工程环境中的实用性与可靠性。本研究的主要贡献如下：
  • (1)
    本研究提出了一种基于Transformer-BiLSTM融合框架的跨尺度健康状态（SOH）估计方法。Transformer编码器负责捕捉长期依赖关系与全局特征，而双向长短期记忆（BiLSTM）解码器则对序列动态特性与局部退化模式进行建模。该架构实现了从单体电池到电池组的多尺度精确评估。
  • (2)
    通过系统整合电化学特征与时序特征，该模型有效捕捉了电池退化机理。这种双尺度特征提取策略显著提升了退化表征能力、模型可解释性以及物理一致性。
  • (3)
    该模型在公开数据集的LFP、NMC、NCA单体电池及自主采集的电池组数据中均通过验证。通过注入噪声的鲁棒性测试表明，该模型在不同化学体系、层级尺度及含噪声的现场条件下均能实现高精度估算。
上一个：霍克蓄电池于电化学阻抗谱与弛豫时间分布融合的储能电池内部缺陷智能诊断 下一个：HAWKER蓄电池本征阻燃聚乙烯醇气凝胶用于电池热防护

推荐新闻

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net