SSB蓄电池基于物理信息扩散因果Transformer网络的锂离子电池健康状态估计

2026-04-03 11:07:47

锂离子电池（LIBs）的安全可靠运行依赖于精确的健康状态（SOH）估算。然而，现有SOH估算方法在电池处于不同运行条件下的适用性有限，且未必符合LIBs固有的退化机制。为克服这些局限，本文提出一种融合物理信息的扩散因果Transformer网络（DCT-PI），用于精准估算LIBs的SOH。首先，将输入序列分割为多个数据块，并添加位置编码作为网络输入。随后，采用因果掩码的Transformer编码器被用于从全局和序列视角捕捉多元时间序列的时序依赖性。与此同时，在分片级别应用前向扩散过程以引入噪声，并利用反向扩散过程预测噪声，从而增强特征表征能力。最终，估计器在联合损失函数的约束下输出锂离子电池的健康状态（SOH），该损失函数整合了估计损失与物理信息损失。实验结果表明，所提出的DCT-PI方法在SOH估计任务中优于众多先进方法。与基线模型相比，均方误差（MSE）至少提升了16.807%。在添加50%噪声的情况下，该方法的均方根误差（RMSE）仅增加0.005。

引言

随着全球能源消耗激增与环境保护需求日益增长，交通电气化已成为降低碳排放、缓解能源危机的关键策略[1][2]。锂离子电池（LIBs）凭借高能量密度、长循环寿命和环境友好等优势，成为交通电气化的主要动力来源[3][4]。然而在反复充放电循环过程中，LIBs不可避免地发生性能衰退，导致其健康状态（SOH）下降。若未能及时监测LIBs的SOH并发出早期预警，将引发不可避免的故障或严重安全隐患[5]。因此，准确估算SOH对保障LIBs安全可靠运行至关重要[6]。
传统的SOH估计方法主要分为三类：基于模型的方法、数据驱动方法和混合方法。基于模型的方法包括等效电路模型（ECMs）和伪二维（P2D）电化学模型。这些方法通过模拟电化学过程（如锂嵌入和固体电解质界面相（SEI）生长）来预测退化[7]。ECMs利用电阻和电容等电气元件简化电池行为，从而实现实时估计。然而，这些方法通常难以捕捉复杂的非线性退化机制，包括SEI生长和电解质扩散。相反，基于多孔电极理论的P2D模型能提供更详细的物理化学过程描述。但其计算复杂度较高，需要依赖有限元方法等数值求解器，这种复杂性限制了其在嵌入式系统和实时场景中的应用[8]。此外，这些模型高度依赖精确的参数辨识，而制造差异、运行条件及多样化老化路径等因素使得该过程面临显著挑战[9]。
相比之下，数据驱动方法因其无需构建显式物理模型即可从历史数据中学习复杂模式的能力，已获得广泛关注[10]。机器学习作为主流的数据驱动方法，在应对温度波动与充放电速率等多变工况下的非线性退化问题时，其表现优于传统基于物理的模型[11]。例如支持向量机（SVM）与支持向量回归（SVR）凭借小样本场景下的强鲁棒性得到广泛应用。他们利用部分电荷片段或短电流脉冲的特征，以最小的计算开销实现精确的健康状态（SOH）预测[12]。神经网络变体，包括反向传播神经网络（BP-NNs）和径向基函数神经网络（RBF-NNs），在建模复杂老化动态方面表现卓越。BP-NNs通过误差最小化实现自适应预测，而RBF-NNs则能为实时应用提供快速收敛能力[13]。集成方法（如随机森林（RFs））通过聚合决策树来减轻过拟合，并提供可靠的在线容量监测[14]。概率方法包括用于通过增量容量分析进行不确定性量化的高斯过程回归（GPR）[15]，以及基于样本熵进行稀疏贝叶斯学习的相关向量机（RVMs）[16]。这些方法能够应对数据变异性和罕见故障模式。
深度学习技术的进步为健康状态(SOH)估计带来了革命性变革。以循环神经网络(RNN)的变体为例，长短期记忆网络(LSTM)和门控循环单元(GRU)已被广泛应用，这些模型擅长保持长期依赖性并从电压-容量曲线中提取退化指标[17]。此外，卷积神经网络(CNN)通过捕捉增量容量(IC)曲线中的峰值变化等局部特征，能够实现更精确的SOH估计[18][19]。近年来，Transformer模型凭借其并行处理能力和自注意力机制，在SOH估计领域获得广泛关注。一种将时序卷积网络与改进型iTransformer相结合的混合框架，即使在数据稀缺条件下仍能实现优异性能[20]。这些机制无需递归计算即可有效捕捉放电序列中的全局依赖关系[21]。
由于环境干扰和传感器精度限制，锂离子电池数据表现出显著的不确定性，这对传统深度回归模型构成了挑战。为解决该问题，扩散模型被引入至健康状态估计任务中。标准形式的扩散模型通过逐步向数据添加噪声并学习逆向去噪过程，能够捕捉复杂概率分布和长程依赖结构，展现出卓越的概率预测能力。Rasul等人[22]提出了TSDiff框架，该框架在推理阶段融入了自引导机制，从而实现了"一次训练，多任务应用"的能力，可同时完成预测、校正和合成任务。与传统模型相比，扩散模型在锂离子电池健康状态(SOH)估计方面具有独特优势。例如，Eivazi等人[23]提出的DiffBatt将扩散模型与Transformer架构相融合，用于电池退化预测。该方法能够捕捉复杂的多模态退化模式，并提升跨电池单元的泛化能力。此外，Lin等研究者[24]将扩散模型与双向长短期记忆网络(Bi-LSTM)及迁移学习相结合，实现了多阶段充电特征下的一致性SOH分布建模。
然而，这些方法通常需要大量高质量数据，且往往忽略锂离子电池退化的基本物理原理，导致在实际应用中泛化能力有限[25]。近年来，研究者提出混合方法以综合利用多种技术的优势，实现健康状态的精确估计。这些方法通过集成多种技术，提升了不同运行条件下健康状态估计的准确性、鲁棒性和适应性[26][27]。例如，有研究提出了一种结合长短期记忆网络（LSTM）与Kolmogorov-Arnold理论的混合神经网络，用于精确描述锂离子电池退化过程中时变且复杂的非线性行为[28]。此外，通过采用麻雀搜索算法或狮群优化算法等对增强型混合方法进行优化。这些方法将上述技术与机器学习模型相融合，从而实现了参数优化、数据有限环境下估计精度提升以及更优的收敛速率[29][30]。特征融合混合方法通过高级机器学习技术聚合多源指标（如增量容量曲线、温度分布和电压微分），实现灵敏的退化检测并增强可解释性[31][32]。模型-数据混合方法将等效电路模型或卡尔曼滤波器等物理模型与数据驱动组件相结合，为联合荷电状态与SOH估计提供可解释结果和实时能力[33][34]。尽管存在这些进展，混合方法在实际应用中仍存在若干持续性的局限：

• (1)
  Many hybrid methods exhibit high computational complexity due to the integration of multiple models, such as neural networks and optimization algorithms. This complexity can hinder real-time deployment in resource-constrained battery management systems.
• (2)
  Existing hybrid methods frequently demonstrate inadequate performance when addressing uncertainty and stochastic degradation patterns. This shortcoming arises from their heavy reliance on deterministic data-driven components that lack explicit noise modeling, leading to diminished robustness under noisy or variable operating conditions.
• (3)
  Many hybrid methods face challenges in causal inference when applied to time series data, as they may inadvertently permit the leakage of future information. This leakage can undermine the reliability of SOH estimations.

为应对这些挑战，本研究提出一种融合物理信息的扩散因果Transformer网络（DCT-PI）用于锂离子电池健康状态（SOH）估计。该网络将因果Transformer与分块嵌入、扩散模块以及基于简化P2D动力学的物理信息损失函数相结合。具体而言，因果Transformer通过掩蔽注意力机制捕获多通道输入的时间依赖性，在确保因果性的同时避免未来信息泄露。受去噪扩散概率模型启发，本研究在潜在特征空间模拟前向与反向扩散过程。该设计使网络能够处理含噪预测结果，并有效管理随机退化现象。此外，物理损失函数整合了受P2D模型启发的电解质扩散项和SEI生长项，从而将数据驱动预测正则化至符合电池基础物理规律。本研究的主要贡献如下：

• (1)
  A novel DCT-PI model is proposed for high-precision SOH estimation by integrating causal Transformer mechanisms with physical information. The masked attention and dual attention modules are incorporated into the model to capture temporal dependencies across multi-channel inputs while preventing information leakage, thereby enhancing the robustness of degradation modeling and SOH prediction for lithium-ion batteries.
• (2)
  A patch-level diffusion module is designed to simulate forward and reverse diffusion processes on latent features. This module introduces controlled noise into predictions to mimic random degradation phenomena, mining latent spatiotemporal patterns to form robust feature representations for achieving accurate SOH estimation in advance.
• (3)
  A joint physical information loss function is developed for regularizing data-driven predictions beyond empirical fitting. It has a strong capacity to incorporate simplified P2D-inspired terms for electrolyte diffusion and SEI growth, thereby aligning model outputs with battery physics and improving the accuracy of SOH estimation.