DETA蓄电池基于迁移学习的锂离子电池退化轨迹预测：采用早期循环特征的源域选择方法
发布时间：2026-02-27 11:31:35 点击： 次
摘要
预测电池剩余使用寿命（RUL）对保障装备安全与优化维护策略至关重要。然而由于电池复杂的非线性退化特性，基于早期循环数据实现精准预测仍存在重大挑战。为此，本文提出一种基于早期循环退化特征源域选择的迁移学习预测框架。首先从早期循环的充电电压-容量数据中提取反映内部老化状态的特征。随后，我们开发了一种基于混合距离-动态时间规整(HD-DTW)的源域电池筛选方法，该方法通过特征与容量数据筛选相似电池。最后，基于选定的源域电池与目标电池早期循环数据，建立弹性网络模型以生成目标电池的退化轨迹。该框架性能在开源数据集上得到验证，结果表明其能在早期阶段准确预测剩余使用寿命(RUL)，平均绝对百分比误差为7。23%，均方根误差为81.52次循环。引言
锂离子电池的剩余使用寿命（RUL）特指在特定工况下，从当前时刻至失效阈值期间剩余的运行时间或充放电循环次数[13,14]。该失效阈值通常界定为电池额定容量的70%–80%[15]。目前锂离子电池RUL预测方法主要可分为四类：机理分析法、经验值法、数据驱动法以及融合方法[16]。
机理分析方法包括电化学模型、等效电路模型（ECM）以及电化学分析技术。电化学模型采用数学模型描述锂离子电池内部电化学反应过程并预测退化趋势。伪二维（P2D）模型是常用的电化学模型[17,18]。文献[18]提出了一种基于简化P2D模型的电池微健康参数快速辨识方法。该模型具有明确的物理意义和较高的可解释性。然而，由于该模型计算复杂，在实际应用中难以实现。
等效电路模型（ECM）利用电阻、电容和电感等基本电路元件模拟锂离子电池内部复杂的电化学反应。基于电路理论，ECM建立了电气参数与电池内部状态之间的关联关系。常见ECM包括一阶RC模型[19]和二阶RC模型[20]。根据文献[20]中基于ECM的方法，从电压弛豫数据中提取了物理特征。利用这些特征作为电池状态指标，实现了在线电池寿命预测与快速分类。与电化学模型相比，ECM具有结构简单、计算量小的优势，但其模型参数辨识精度较低。
电化学分析技术通过多种电化学测试方法评估电池状态并预测剩余寿命。电化学分析技术包括电化学阻抗谱（EIS）[21]、增量容量分析（ICA）[22]、差分电压分析（DVA）[23]等。该技术常与其他预测方法结合使用，以提高剩余使用寿命（RUL）预测的可靠性和准确性。在文献[21,24]中基于EIS提取特征参数，随后用于比较人工神经网络（ANN）与线性模型的预测性能。最佳测试误差为10.1%，循环寿命分类准确率达到97%。
基于经验值的方法包括经验模型和半经验模型。经验模型通过分析历史退化数据建立描述电池退化过程的数学模型。常见的经验模型包括多项式模型[24]、对数模型[25]、指数模型[26]等。尽管该方法易于实施，但其高度依赖历史数据的质量和数量。因此，通常采用滤波算法来提高数据质量并增加预测精度。参考文献[27]提出了一种采用重参数化逆高斯过程的两阶段退化模型，该模型显著提高了锂离子电池剩余使用寿命(RUL)预测的准确性。
在半经验模型的基础上，融合了电池内部物理化学过程，如锂离子扩散过程和固态电解质界面相（SEI）的生长[28,29]。文献[29]开发了一种包含SEI生长的半经验预测模型，用于分析锂离子电池内部老化机制并预测其退化趋势。与纯经验模型不同，半经验模型考虑了电池内部的物理化学变化。因此，该模型能更准确地反映电池老化过程，在不同工况下具有更好的适用性。然而由于半经验模型的高度复杂性，需要更多实验数据来拟合参数。
数据驱动方法通过分析历史电池数据集提取关键退化特征——包括最大容量、内阻变化及差分电压特性等——并采用机器学习或深度学习算法进行剩余使用寿命（RUL）预测。支持向量机[[30], [31], [32]]（SVM）、高斯过程回归[[33], [34], [35], [36]]（GPR）、卷积神经网络[[37], [38], [39], [40]]（CNN）、长短期记忆网络[[41], [42], [43], [44], [45], [46], [47]]（LSTM）以及Transformer[[48], [49], [50], [51], [52]]等多种算法被广泛应用于RUL预测。数据驱动模型无需深入理解电池内部机理，具有建模过程简单、对不同类型电池适应性强的特点。文献中文献[32]提出了一种基于加权最小二乘支持向量机(WLS-SVM)的循环寿命预测方法。该方法利用支持向量机强大的非线性拟合与泛化能力，有效提升了预测精度与鲁棒性。文献[36]则从充电数据中提取老化特征，分别采用支持向量机与高斯过程回归(GPR)实现快速分类与寿命预测。%% 文献[40]提出混合聚类CNN模型以实现早期剩余使用寿命(RUL)预测与电池质量分类，并改进两种基于CNN的预测模型。文献[47]将特征工程与长短期记忆网络(LSTM)及门控循环单元(GRU)相结合，用于预测电池健康状态(SOH)与剩余使用寿命。文献[52]设计基于Transformer的神经网络架构以有效捕捉退化信息并预测剩余使用寿命。文献[53]提出轻量可变形神经网络(LDNet)用于获取电池剩余使用寿命。通过减少参数数量并采用自适应感受野，该框架能有效捕捉电池性能衰退的时变动态特性。
电池容量衰减过程本质上是一种时间序列演化行为，而时间序列建模技术的持续迭代与创新为电池容量衰减趋势的准确预测提供了重要的方法论支持与技术推动力[50,54]。
然而，数据驱动模型通常需要大量历史电池数据进行训练，以捕捉电池老化的复杂模式。目前，大多数剩余使用寿命（RUL）预测方法都是在电池寿命的中期或后期阶段实施的。利用有限的历史数据在电池衰减早期阶段实现精准的RUL预测仍具有挑战性。迁移学习在RUL预测领域的应用，为突破这一局限性提供了具有前景的解决方案。
迁移学习的核心原理是将源领域学习到的知识（如特征、模型和参数）迁移至目标领域，从而提升目标领域模型的预测性能[55,56]。训练完成的模型随后被应用于目标电池组，以提升剩余使用寿命（RUL）预测效率。文献[57]提出了一种考虑电池个体差异的基于迁移学习的RUL预测方法，该方法通过两次使用极限学习机（ELM）建立剩余容量与RUL之间的映射关系。研究者采用调整因子对预测结果进行优化。文献[58]开发了一个迁移学习框架，用于挖掘CNN-LSTM模型预训练阶段特征与RUL之间的关联关系。在迁移阶段对LSTM模块进行微调，实现了电池剩余使用寿命的实时预测。文献[59]为应对多源域中的负迁移和迁移不足问题，研究采用动态时间规整(DTW)和最小绝对收缩与选择算子(LASSO)自适应筛选可迁移源域样本并分配权重。文献[60]提出三步相似性评估准则用于源域电池筛选：首先基于源域电池训练带有注意力机制的长短期记忆(LSTM)模型，再利用早期目标电池数据进行微调以提升预测精度。
虽然上述论文提出了若干利用迁移学习预测锂离子电池剩余使用寿命的方法，但仍存在以下局限性：
- (1)
虽然部分预测方法能够在电池退化早期阶段估算其剩余充放电循环次数（如文献[57,58]所示），但这些方法仅通过深度学习模型直接建立特征与剩余使用寿命的映射关系，而无法预测电池容量的具体退化轨迹。这导致其无法反映退化速率的阶段性变化特征，且难以识别潜在的性能突变，因而无法为电池使用策略的动态优化及全生命周期精细化管控提供有效支撑。 - (2)
迁移学习使目标电池能够通过从具有已知老化信息的其他电池中学习，预测其自身未来的退化轨迹。然而，由于电池不一致性，选择具有相似退化模式的电池尤为重要。当前方法通常基于早期容量曲线相似性选择源域电池，例如文献[59,60]。然而，由于电池的不一致性及使用环境的影响，早期容量曲线高度相似的电池可能在后期阶段表现出显著差异，可能导致迁移效果不足甚至产生负迁移。 - (3)
时间序列模型被广泛应用于预测锂离子电池的未来退化轨迹。当预测始于电池寿命早期时，其单步预测通常能获得较高的预测精度。然而在多步预测场景中，三个关键因素共同产生了显著的叠加效应：由电池间个体差异引起的分布偏移、电池寿命早期退化特征的低区分度，以及递归多步预测固有的误差累积效应。这直接导致预测轨迹波动、偏差持续放大等问题。此外，主流时间序列模型通常对超参数高度敏感，需通过大量实验遍历参数组合才能获得最优配置。该过程不仅耗时费力，还会严重损害模型开发与部署效率。
为解决上述问题，本研究提出了一种基于早期循环退化特征源域选择的迁移学习预测框架。本文的主要贡献如下：
- (1)
针对仅依靠早期容量数据难以表征电池内部老化状态的难题，从部分充电数据中提取了五个特征指标用于源电池筛选。这些特征能有效捕捉早期老化特征、反映电池老化状态，并显著提升源域电池的筛选效率。 - (2)
针对仅基于容量相似性选择源域电池导致迁移效果不足的问题，提出混合距离-动态时间规整（HD-DTW）方法用于电池相似性度量。该方法首先利用五个挖掘特征筛选候选源域电池，继而基于容量退化曲线采用动态时间规整（DTW）方法从候选电池中进一步遴选最终用于学习的源域电池。 - (3)
为实现对目标电池的精确退化轨迹预测，本研究采用指数衰减模型对齐源域电池数据的长度，并运用弹性网络模型预测容量轨迹。与现有使用时序模型预测多步容量退化轨迹的方法相比，本文提出的方法具有结构更简洁、几乎不受模型参数影响、且无累积误差等优势。 - (4)
所提框架的性能通过一个开源数据集进行验证，该数据集是剩余使用寿命（RUL）预测领域规模最大且最常用的基准数据。结果表明，本文提出的基于电池早期特征与退化性能的HD-DTW方法，能够有效筛选源域电池并提升RUL预测精度。此外，基于源域电池构建的退化轨迹生成策略，可实现目标电池退化轨迹的稳定精准预测。