用于SSB蓄电池跨温度SOH估计的生成式数据增强与稀疏注意力Informer

2026-10-09 17:56:28

准确的健康状态（SOH）估计对于锂离子电池系统的安全、可靠和经济运行至关重要。然而，实际的SOH建模仍然具有挑战性，因为电池退化数据通常有限，退化轨迹随温度变化显著，且高容量深度序列模型通常需要大量标注数据集和可观的计算资源。为了解决这些局限性，本研究提出了一种用于锂离子电池SOH估计的数据高效型GAN-Informer框架。在所提出的方法中，采用生成对抗网络来增强特征空间退化分布，并提高有限训练样本的有效覆盖范围，同时使用带有稀疏多头注意力的优化Informer网络来学习老化敏感特征与SOH轨迹之间的长程依赖关系。实验室循环实验在三种代表性温度条件下进行：20 °C、−20 °C和40 °C。结果表明，所提出的框架在同温和跨温预测设置下均实现了准确的容量跟踪性能。与Box–Cox-LSTM基准模型相比，GAN-Informer在所有测试数据集上均一致降低了MAE和RMSE；例如，在仅使用50%训练数据的CX1数据集上，RMSE从0.2235降至0.0847，在CX1到CX3的迁移场景中，RMSE从0.2385降至0.1187。这些研究结果表明，对抗性数据增强结合稀疏注意力序列建模，为实现稳健、小样本和跨温度的电池健康状态估计提供了一条极具前景的途径。

1. 引言

锂离子电池（LIBs）已成为电动汽车的主流电化学储能技术，并且是可再生能源储能系统中日益重要的组成部分。然而，其长期安全性和可靠性受到容量逐渐衰减以及退化行为对运行条件敏感性的严重制约。在实际使用中，温度波动、观测不完整、全寿命退化数据有限以及读档曲线的变化，都会改变物理老化轨迹和可测量信号的统计分布。这些影响在非环境温度下尤为显著，此时传输动力学、极化、副反应和界面演化可能与标准实验室条件下观察到的情况存在显著差异。因此，在变温条件下准确预测电池健康状态（SOH）和寿命，仍然是实现安全可靠电池管理的关键要求。
因此，在SOH预测中不应仅将温度视为辅助环境变量。Long和Guo[1]开发了一种具有温度-半径分层的电化学-热-力耦合模型，并表明热量产生和热不均匀性与循环过程中的固体电解质界面演变、扩散诱导应力和容量衰减相互作用。他们的结果表明，热行为与内部退化过程耦合，而非作为独立的外部干扰。从状态估计的角度来看，Xu[2] 进一步指出，电池模型参数会随容量衰减和温度变化而演变，增加了准确在线状态估计的难度。综合来看，这些研究表明温度对数据驱动的健康预测具有双重影响：温度既改变了潜在的退化动力学，又同时改变了可观测电信号与潜在电池状态之间的映射关系。在低温下，增强的传输限制和极化可能导致表观容量和电阻出现显著偏差，而高温则会加速副反应和界面生长。因此，在一个温度下校准的模型在应用于另一个温度时，可能会遇到协变量偏移和输入-状态关系改变的问题。因此，跨温度的SOH预测应被视为一个耦合的退化域泛化问题，而非简单的插值问题。
锂电池寿命预测的研究已相应地从理想实验室条件下的离线容量拟合，转向现实复杂运行环境下的可部署预后分析。核心挑战不再是最小化单一误差指标，而是在观测不完整、温度扰动、样本有限以及源目标分布不匹配的情况下，稳健地重建退化轨迹。Wang等人[3]强调了数据组织、健康指标构建与模型架构之间的强耦合性，而Qu等人[4]则指出了离线准确率与工程可用性之间的差距。在输入层面，近期的研究越来越多地使用碎片化、在线可获取且对老化敏感的指标，来替代完整的标准充放电曲线。Lanubile等人[5]针对受缺失值、稀疏标签和噪声影响的真实电动汽车数据，引入了一个领域知识引导的框架。Gao等人[6] 证明了部分充电数据可以保留有用的容量衰减信息，Li 等人 [7] 通过区间电压特征提高了退化分辨率，Bockrath 等人 [8] 将 SOH 估计扩展到部分真实读档曲线，而 Zhang 等人 [9] 表明部分充电片段的选择和对齐直接影响估计性能。这些研究共同表明，输入序列的质量和可观测性仍然是可靠健康预测的前提条件。
为了进一步解决观测数据碎片化和异构化的问题，研究人员对序列重构和特征组合进行了优化。张等人[10]针对长度不一的随机分段充电曲线开发了改进的LSTM模型，结果表明，当序列处理设计得当时，不完整且不规则的分段仍能支持SOH建模。林等人[11]通过多特征优化提升了健康状态预测，而彭等人[12] 将多个健康指标与改进的LSTM结合，以捕捉互补的老化信息。利用真实的电动汽车数据，Tian等人[13] 进一步警告说，在受控实验室数据集上表现良好的健康指标并不一定能直接迁移到实际运行工况中。这意味着特征选择、时间建模和运行领域鲁棒性必须作为一个整体来考虑，而不是作为独立的步骤。
在模型层面，电池健康预测已从以LSTM和GRU网络为主的局部时间建模，发展到能够捕捉更长距离依赖关系的注意力机制架构。Qian等人[14] 将未来的读档信息整合到注意力增强的序列到序列框架中，表明时间预测性能取决于网络表达能力和输入语义。随后，纯粹或改进的基于Transformer的方法在电池SOH建模方面展现出强大潜力。Zhang等人[15] 重构了用于多步SOH预测的Transformer编码器-解码器，并引入了扩张因果卷积以强化局部特征提取，而Gu等人[16]将卷积与Transformer注意力机制相结合，以整合局部形态和全局依赖关系。相关的混合架构，包括AT-CNN-BiLSTM [17]、改进的CNN-LSTM [18]、Mixers-BTCN [19]以及频率增强的序列建模[20]，以及基于视觉Transformer的SOH估计[21], 进一步证明了当辅以特定任务的局部或特征域处理时，全局注意力机制最为有效。然而，标准的Transformer系列主要改进的是表示学习；它本身并不能解决退化和数据稀缺问题，且传统的全自注意力机制的计算成本会随着序列长度的增加而日益高昂。Informer被提出用于解决长序列预测问题，它通过ProbSparse自注意力和自注意力蒸馏技术，将主要的注意力成本从平方复杂度降低到约L log L，同时保留了长程依赖建模能力[22]。这使得Informer成为长周期电池退化序列的一个极具吸引力的骨干网络，前提是训练分布能够充分代表所关注的运行领域。
第二个主要挑战是源域和目标域退化域之间的不匹配。Lu等人[23]开发了一种深度学习框架用于SOH估计，无需为每个目标电池进行额外的完整退化实验。Deng等人[24]将有限标签学习与领域自适应相结合，并通过特征匹配迁移学习[25]减少了源电池和目标电池之间的表示差异。Chen等人[26]表明短期充电数据可以支持深度迁移SOH估计，而Yao和Han[27] 验证了使用部分充放电片段的跨工况容量估算。这些研究表明，小样本电池预测并非单纯的样本数量不足问题；相反，标签稀缺、观测受限和领域偏移相互作用。温度加剧了这一问题，因为它同时改变了物理老化路径和测量退化特征的分布，使得不同温度工况间的直接迁移变得尤为困难。
因此，生成式数据增强已成为提高训练分布覆盖范围的补充策略。Echabarri等人[28]提出了一种改进的TimeGAN框架，该框架结合了Transformer和GRU组件，用于在有限且不规则采样的工业条件下生成电池时间序列数据，随后将增强数据用于下游SOH预测。Sifat等人[29] 进一步强调，生成式增强的价值在于扩展有意义的退化空间覆盖范围，而非机械地复制样本。更直接地说，刘等人 [30] 将TimeGAN数据增强与基于Pyraformer的SOH预测器相结合，并在不同材料体系的电池上验证了该方法。这些研究可被视为典型的GAN-Transformer家族策略：生成模块扩展了可用的退化模式，而Transformer相关骨干网络学习时间依赖性。然而，它们的主要关注点是数据增强和序列表示；温度耦合的领域偏移以及生成模块与注意力骨干网络的独立贡献并不总是核心评估目标。这种区分至关重要，因为GAN-Transformer流水线的明显增益可能源于样本扩展、预测骨干网络或两者的相互作用，这些效应应通过实验予以分离。
除了预测准确性，近期的研究还强调了不确定性、物理可解释性和部署可靠性。Thelen等人[31]回顾了用于电池诊断和寿命预测的概率机器学习，并强调了表征预测不确定性的必要性。Nascimento等人[32]将物理先验融入贝叶斯物理信息框架中，而Shao等人[33]则证明了简化的电化学老化模型可以为容量预测提供机理参考。利用声学和电学特征的多模态状态估计[34] 进一步表明，电池健康信息可以从互补的传感通道中推断出来。对于剩余使用寿命（RUL），可解释且参数高效的方法 [35,36]，基于早期特征的预测 [37]，注意力-卷积-循环混合模型 [38]，预训练Transformer框架 [39]，多任务SOH估计 [40], 联合SOC-SOH-RUL估计 [41]，以及循环级深度学习[42]共同表明，可靠的寿命预测需要从退化表征到健康评估，再到最终寿命预测的透明链条。
尽管取得了这些进展，但仍有三个与本研究相关的空白。首先，温度耦合退化通常被讨论为一种实验条件，而由此产生的源-目标分布偏移并未总是整合到预测框架的设计中。其次，纯基于Transformer的SOH方法改善了长程表示，但并未直接解决全寿命退化样本有限的问题；相反，现有的GAN-Transformer系列方法缓解了数据稀缺问题，但通常侧重于数据增强的有效性，而非显式地将稀疏长序列注意力与跨温度泛化相结合。第三，如果同时引入GAN增强和注意力骨干网络，必须通过受控对比来分离它们各自的贡献，而不是仅从完整模型的性能中推断。为解决这些问题，本研究开发了一个两阶段GAN-Informer框架，其中GAN和Informer具有明确区分的功能：GAN用于在有限样本条件下扩展源域退化分布，而Informer则利用稀疏注意力执行长序列退化映射。因此，所提方法的创新之处不在于将GAN或Informer视为新发明组件，而在于它们针对温度敏感电池退化预测的任务导向集成，以及相应的验证策略。

(1): 从问题建模的角度来看，温度被视为退化域因素，而非仅仅是辅助标量输入。该框架在多种热条件和跨温度设置下进行评估，以便明确检验温度诱导的分布失配对健康预测的影响。
(2): 从模型角度来看，所提出的GAN-Informer将数据分布增强与长程时间建模分离。与纯Transformer相比，GAN组件解决了退化数据覆盖有限的问题；与GAN-Transformer类方法相比，Informer骨干网络引入了ProbSparse注意力机制，将计算资源集中在电池老化序列中的主导长程依赖关系上。这种分工旨在提高有限退化轨迹的利用率，同时避免传统Transformer的全二次注意力负担。
(3): 从验证的角度来看，所提出的框架与Transformer、Informer和GAN-Transformer等对应模型进行对比评估，从而量化生成式增强和稀疏注意力骨干网络的独立效果。进一步采用跨温度和跨数据集评估，以区分同域拟合精度与分布偏移下的泛化能力。这一证据结构将所提出的架构选择与小样本学习、温度耦合以及可迁移电池健康预测的实际挑战直接联系起来。

2. 锂离子电池的老化过程

2.1. SOH和RUL的定义

剩余使用寿命（RUL）表示在特定运行条件下，电池达到其寿命终点阈值前剩余的循环次数或运行时间。在电池寿命预测中，RUL通常根据预测的退化轨迹和预定义的寿命终点（EOL）标准推导得出。在本研究中，首先根据容量退化估计健康状态（SOH），然后根据预测的SOH低于寿命终点阈值的循环次数来推断RUL。
对于锂离子电池，剩余使用寿命（RUL）定义为当前循环与预测的寿命终点（EOL）循环之间的剩余循环次数。相应的计算公式如下：
T_rul = T_eol − T_cur
(1)
用于确定电池剩余使用寿命（RUL）估计值的方程如下：

上一篇：将废旧锂离子电池石墨升级回收制备ZnO@碳纳米复合材料用于光催化降解染料

下一篇：由电磁感应加热和侧向加热触发的锰基复合正极材料SSB蓄电池热失控特性