电动汽车基于用户画像的长期SSB蓄电池健康状态预测与配对行为反事实分析
2026-10-13 22:01:04
摘要 估算锂离子电池的长期衰减是优化车队维护、管理保修风险、提升用户体验以及确保现代电动汽车（EV）可靠储能的基本要求。尽管近期的深度学习方法在健康状态（SoH）预测方面取得了令人期待的性能，但大多数研究仅在已观测到的运行条件下估算电池未来的衰减，对于未来不同驾驶行为对电池长期健康的影响，所能提供的见解十分有限。本文提出了一种基于用户画像的框架，该框架集成了长期运行模拟、电池老化建模，以及一种直接的多时域卷积神经网络（CNN）-长短期记忆网络（LSTM）混合网络结构，用于长期健康状态（SoH）预测和配对行为反事实分析。通过考虑驾驶行为、车辆运行模式、行程特征和季节性环境温度变化，利用代表性驾驶员画像生成了多样化的多年运行场景。随后采用配对评估策略，在保留相同第一年运行历史的同时仅修改后续驾驶行为，从而能够直接评估行为变化对电池长期健康状态的影响。通过匹配第365天基准，使用三个随机种子对13种预测和消融配置进行评估，结果显示CNN–LSTM结构在第730天和第1095天的平均绝对误差分别为0.177和0.238（以SoH百分点表示）。随机森林产生的对应误差最低，分别为0.163和0.077百分点。移除人格编码使CNN-LSTM结构的误差增加了1.053和1.896个百分点，表明操作环境是测试中最具影响力的输入因素。在另一项包含十次运行的人格级鲁棒性评估中，CNN-LSTM结构的平均绝对误差（MAE）在0.29至1.05个SoH百分点之间。配对情景分析得出的第三年差异为1.84至5.39个百分点，所有这些结果仍取决于所采用的合成老化和情景假设。总而言之，这些评估展示了在所采用的模拟框架内，对替代使用情景进行长期预测和受控比较的能力。
1. 引言 锂离子电池在纯电动汽车（EV）中提供主要的能量存储功能，其退化会随着时间的推移影响车辆续航里程、可靠性、用户体验和所有权成本。车辆使用过程中的电池老化并非由单一运行变量引起。电流需求、放电深度、放电特性、温度和累计充电容量在整个使用周期内相互作用，导致容量损失和内阻增加。由于这些数值强烈依赖于车辆的运行方式，由此产生的退化历史既反映了电池单元的特性，也反映了车辆的使用情况[1,2,3]. 长期电池健康状态（SoH）知识与多项车辆和车队决策相关。它可以为维护调度、保修规划、充电管理、残值评估以及二次利用适用性评估提供参考。这些应用不仅需要对当前电池状况的估算，还需要指示该状况在持续使用下可能如何演变。随着全球电动汽车使用量的持续增长，长周期SoH预测正变得日益重要[4,5]. 现有的SoH估算方法通常可分为基于物理的方法、数据驱动的方法和混合方法[4,5,6,7,8,9]。其他方法包括基于LSTM的SOH预测迁移学习[10]、使用部分充电片段的支持向量机模型[11]以及基于GRU的SoH估算[12]. 基于物理的方法使用电化学或等效电路模型描述退化，而数据驱动的方法则直接从运行测量值中推断退化模式。最近，混合方法将物理见解与机器学习技术相结合，以提高复杂运行条件下的估计精度。在现代数据驱动方法中，深度学习架构如卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆（LSTM）网络，在从电压、电流、温度和状态变量中学习非线性电池退化行为方面展现出令人期待的能力。与此同时，大量实验研究表明，环境温度、充电策略、驾驶条件和日历老化会通过改变电池热行为、电化学反应速率和充电吞吐量，从而显著影响电池退化[4,5,13,14,15]. 尽管在SoH估计和预测方面已取得显著进展，但仍有三个局限性对电动汽车的实际应用至关重要。首先，许多研究依赖于实验室循环或基准电池数据集，而实际驾驶和开放式电动汽车研究仍较少见[13,14,15,16,17,18]. 其次，车辆使用效应往往隐含在电学测量中，而非通过可控且可重复的运行场景来体现。这使得难以区分驾驶行为、车辆模式、行程结构以及季节性环境的影响。第三，大多数研究优化了对观测运行状态持续性的预测准确度，但对于“在替代的未来使用策略下电池健康状况将如何变化”这一决策支持问题提供的支持有限[15,16,19因此，研究空白不仅在于长周期的SoH预测，还在于能否基于相同的观测历史，对替代的未来运行行为进行受控比较。从交通电气化的角度来看，仅预测未来的SoH往往是不够的。驾驶员、车队运营商、保修工程师和能源管理系统还需要评估车辆运行的潜在变化是否会实质性地改变退化结果。这需要两种不同的能力：一种是用于预测观测到的使用模式持续情况的预测模型，另一种是用于比较替代未来模式的受控反事实机制。将这些任务混为一谈可能导致物理上不一致的假设输入；因此，本研究将预测和行为干预分析视为相关但独立的评估分支。 该框架通过组合模拟的源片段来构建受控的多年度运营历史，这些片段编码了驾驶员画像、车辆模式、行程特征以及特定月份的温度条件。第一年定义了用于直接进行第二年和第三年预测的观察期，而一个独立的配对分支则保留相同的首年片段历史，仅改变预设的未来画像分布。 在本研究中，操作背景通过多个角色的完整车辆使用场景进行显式表示，而非仅通过电池端观测到的电信号。预测分支估算当观测到的基于角色的使用模式持续时未来的SoH。配对分支则通过在保留相同第一年历史记录的同时，以另一个角色重新生成观测后时段，来解决不同的问题。保持这些分支独立，可以避免出现物理上不一致的反事实情况，即仅改变角色类别，而相关的加速、减速、电流、功率、扭矩和应力历史记录保持不变。 因此，该评估旨在回答两个研究问题：（1）如何根据第一年的场景感知运行历史准确估计第二年和第三年的SoH，以及（2）在相同的首年历史条件下，切换到要求较低的未来角色会导致基于模型的SoH差异是多少？第一个问题通过留出的基准轨迹进行评估；第二个问题仅通过配对的模拟分支进行评估。 表1从数据背景、预测范围和运行行为的限制级表示方面，将代表性的电池SoH预测研究与所提出的框架进行了比较。 表1。 代表性电池SoH预测研究对比。主要贡献在于一种受控方法论，它将场景感知的长期SoH预测与配对的行为反事实分析联系起来。CNN–LSTM被用作预测引擎，而非作为架构层面的创新。本研究的主要贡献可总结如下：
CNN–LSTM被刻意用作成熟的预测骨干网络；贡献在于耦合了场景感知的个体生成、直接的多时域预测、将留出预测与配对未来行为模拟严格分离，以及验证每个反事实配对共享完全一致的第一年历史数据。 一种可复现的基于画像的运行数据构建框架，结合模拟驾驶片段、车辆模式、驾驶员画像、温度条件下的源信号以及日常使用假设，为受控模拟研究生成具有代表性的多年使用序列。 开发了一种直接的多时域CNN-LSTM预测框架，无需依赖递归多步预测，即可根据第一年的运行测量数据估算未来多个时间节点的电池健康状态（SOH）。 一种配对的行为场景方法通过保持相同的首年历史数据，来比较不同的未来使用分布；由此产生的健康状态差异取决于合成标签生成器，并非对现实世界电池寿命收益的估算。 建立了一套评估协议，该协议将特定于个体的预测误差与配对的SoH增益分开报告，验证每个反事实配对的第一年数据一致性，并将所有行为结论限制在所采用的模拟和老化假设范围内。
2. 场景感知电池健康预测框架 如图图1所示该提议的框架集成了源场景生成、合成老化评估、直接多时域预测以及配对行为场景评估。修改后的BEV参考应用提供以月份为条件的运行源片段，而独立的基于规则的半经验阶段则构建合成片段损失和SoH标签。随后，从这些源片段中组装出Persona序列。由于老化代理模型未针对特定电池化学体系进行校准，其输出为合成对比标签，而非实验真实值或车队验证的SoH测量值。 图1。 所提框架的整体工作流程，包括场景感知运行模拟、电池老化建模、基于CNN-LSTM的多时域SoH预测以及配对行为反事实分析。为清晰起见，该工作流程分为四个阶段，并包含两个明确分离的输出。第一阶段生成以月份为条件的车辆运行片段；第二阶段计算片段级的衰减损失，并组装带有累积合成SoH标签的预设角色序列；第三阶段利用第一年的运行窗口进行第二年/第三年的直接预测；第四阶段比较配对的后第一年角色分支。预测输出将与保留的合成轨迹进行评估，而配对的SoH差异仅从配对的场景文件中计算。在整篇手稿中，SoH表示由该衰减代理生成的无量纲合成健康指数，ΔSoH表示相对于所述参考值的变化或配对差异。 第一年年底可用的数据被用于为预测模型创建观测窗口。源片段保留了在特定月份温度条件下生成的车辆和电池信号；然而，组装的人格序列是所选片段的重放，并未在片段边界建立连续的SoC，也未建立连续模拟的三年车辆历史。 决策支持通过配对的反事实序列进行独立评估。对于每一对序列，前365天完全相同，仅从第366天起应用的个性化特征有所不同。因此，预测误差和行为收益并未合并为单一指标：前者是相对于留出的基准轨迹进行衡量的，而后者则是通过配对的模拟结果计算得出的。这一区分界定了研究的证据边界，并避免将神经网络本身解释为因果模型。主要模型和数据集设置总结在表2. 表2。 整个拟议框架中使用的模拟和数据集生成参数。
3. 模拟环境与操作数据集生成
3.1. 电动汽车参考模型与模拟设置 本节描述了用于开发所提SoH预测框架的模拟环境和数据集生成流程。与依赖实验室老化数据集或公开电池测量数据的研究不同，本工作使用的运行数据是通过修改后的MathWorks电池电动汽车参考应用生成的。该模拟环境经过扩展，能够重现不同驾驶行为、车辆运行模式和季节性环境条件下的电动汽车长期运行情况。由此产生的流程能够生成可重复的运行数据集，同时保留车辆运行、电池负载与电池退化之间的物理关系。 MathWorks电池电动汽车参考应用被选为基准模拟平台，因为它在一个统一的整车级模型中集成了牵引系统、电池包、车辆纵向动力学和热行为。我们并未直接使用未经修改的参考应用，而是实现了若干扩展功能，以支持长期电池老化分析和基于场景的数据生成[21]. 由于所选的源片段是独立生成的，一个片段末尾的SOC值可能与下一个片段开始时的SOC值不同。因此，这种跳变是片段重放的结果，并不代表真实的充电或放电事件。组装后的1095天序列保留了每个片段内的运行信号和合成老化损失，但不应将其解读为一段连续模拟的电池历史。特别是，连续充电、静置期以及其他路径依赖的电池状态不会跨越片段边界进行重现。 原始数据生成与角色回放阶段是相互独立的。特定月份的源模拟提供可被划分为可重用片段的行驶历史记录。随后，角色生成器会在1095天的日历中选择并拼接这些源片段。在已实现的流水线中，SoC样本会随每个选定片段一同复制，且相邻片段之间不进行边界匹配；因此，角色日历不应被视为连续的包级SoC或充电历史记录。 原始参考应用已扩展以支持场景相关的运行条件。驾驶员行为、车辆运行模式、环境温度和行驶循环被引入作为可配置输入，使得相同的车辆硬件能够在不同的运行条件下进行评估，而无需修改底层车辆模型。 受控的模拟环境对于可重复的场景构建依然有用，但其证据范围比持续模拟的舰队历史要窄。汇编的人格轨迹是由模拟衍生的源片段和合成老化标签生成的；它们并非实验的地面真值。需要真实的电池、电池包或舰队测量数据来校准老化公式，并建立外部预测有效性。
3.2. 运行场景定义 电池的长期衰减受车辆使用过程中所经历的运行条件影响。为了系统地评估这些条件的影响，每个模拟案例都被表示为一个由四个独立变量组成的运行场景： (1) 其中表示驾驶员操作特性，代表车辆运行模式，对应月平均环境温度，以及是所选的驾驶循环。 考虑了三种驾驶员操作模式：平稳、正常和激进。评估了三种车辆运行模式——经济、正常和运动。通过伊斯坦布尔的月平均环境温度纳入了季节性环境条件： 伊斯坦布尔的月度气温定义了源模拟，人格生成器会从源月份中选择与人格日历月份相对应的片段。因此，组装后的序列保留了月度气温的一致性，以及所选片段中受气温调节的信号和损失。这种日历匹配并不构成连续模拟的三年热历史。评估更冷或更热的气候需要新的源模拟，并重新评估老化和预测流程。 场景限制与所需扩展。数值结果取决于源自伊斯坦布尔的温度条件源片段、未进行SoC边界匹配的片段回放、省略的限制级停放时间老化以及规定的角色分布。该流程不重建快速与慢速充电、充电功率、充电时机、充电SoC窗口、高SoC停留或用户特定充电计划。保守、典型和运动概率是场景假设，而非来自调查或远程信息处理数据的估计值。因此，泛化需要跨越寒冷、温带和炎热气候的新源模拟、限制级AC/DC充电和存储历史、经验确定的角色分布，以及老化代理的特定化学成分校准。 (2) 将三种驾驶员操作配置文件与三种车辆操作模式相结合，可产生九种基础操作场景。
3.3. 运行数据采集 对于每种运行场景，修改后的BEV参考应用都会生成一个多变量运行数据集，描述整个模拟期间的车辆动力学和电池行为。 (3) 其中表示修改后的BEV模拟环境，代表生成的多元时间序列数据集。 记录的信号包括电池电流、端电压、电池功率、SOC、电池温度、车速、纵向加速度和电机扭矩，以及模拟月份、环境温度、驾驶员特征和运行模式。
3.4. 电池老化评估与SoH标签生成 本研究中使用的SOH值是由所采用的老化模型生成的合成指标。不应将其解释为实验测量或化学校准的电池SOH值。 对于包含n个样本的段，采样间隔（单位：秒），电流I（单位：安培），以及SoC s（单位：百分比），其实现采用： (4) 此处A为绝对充电吞吐量，单位为，H为采样运行时间（小时），D为SOC范围代理，T为平均记录温度（开尔文），s为平均SOC除以100。上述约定重现了标签生成器；端到端分段持续时间为气体常数R等于 − − nΔtn−1Δt.8.314 Jmol−1K−1.(5) (6) (7) 系数为和。它们的单位遵循(4)中固定的约定，包括非整数指数。它们是合成标签生成器的预设数值参数，而非拟合商业电池的数值。每个模式/配置文件库状态在1.0处初始化，并随着相应源段的处理而单调更新。这种确定性状态支持辅助库轨迹的可重复构建，不应被解释为特定车辆的年代老化历史。 分配给每个处理后的源段的合成SoH总降幅是通过结合循环相关和日历型损失组件获得的。段级SoH变化，，被限制为非正值，且其幅度在每个段中上限为0.01，以防止极端输入组合导致不切实际的巨大数值降幅。相应的模式/剖面库状态随后从更新为，对合成健康指数设定了0.50的下限。这些界限是合成标签生成器的数值安全措施，不应被解释为实验确定的电池老化阈值。 (8) 在角色序列构建期间，存储的分段 SoH 降幅会被转移到角色轨迹中。对于一个完整的段，将保留完整的降幅（= 1)；对于裁剪后的片段，递减量按片段的保留比例进行缩放，其中 和 分别表示保留段和完整段的样本数量。 (9) 在个人层面，SoH状态由第一个选定片段的存储值初始化并随后使用保留片段的损失进行更新。SoH在每个选定片段内进行线性插值。当每日序列的最后一个片段被裁剪时，其存储的减量会根据公式(9)中定义的保留时长比例ρ进行缩放。该规则为完整片段和裁剪片段提供了统一的合成目标定义。 辅助 0 特征是在 SegmentBank SoH 轨迹之后，使用以下关系构建的： (10) 此处，SoHbank 表示存储在相应模式/配置文件 SegmentBank 中的当前合成 SoH 状态，初始值为 1.0，并使用累积的分段 SoH 降幅进行单调更新。 温度限制在250–360 K，电池SoH限制在0.50–1.00。所得的0值在人格组装期间作为源段特征保留，不用于计算人格SoH标签。因此，它应被解释为构建的预测器，而非Simulink电气电池区块的测量电阻或电阻查找值。无0消融在-第5.2节评估预测模型对该辅助输入的依赖程度。Section 5.2 evaluates the forecasting model’s reliance on this auxiliary input. StressFactor是一个构建的预测输入，不是模式-人格应力矩阵，也不是(6)和(7)中的乘数。它分别使用0.55、0.35和0.10的权重，结合了分段归一化的温度、绝对电流和SoC偏移平方项。温度项使用35,000 J/mol的活化能参数。由于电流贡献随后在每个分段内进行归一化，其中间数值缩放不被解释为物理电池组C倍率。StressFactor通过相应的消融实验进行独立评估，见第5.2节. 经检查的BattEv工作空间规定每节电池容量为4.8 Ah，31节电池并联，对应标称电池组容量为148.8 Ah，以及96节电池串联。这些数值记录了电气参考配置，不作为SoH标签的校准依据。在对一条Sport-to-Sport Run01轨迹进行源到库的溯源检查时，恢复了所有4597个选定分段的温度信息，范围覆盖7–26 °C。RAW和SegmentBank的SoC端点一致性在5.7 × 10−14 百分点以内，而绝对吞吐量差异保持在2.3 × 10−9 啊。此检查确认了所检查信号传输路径的一致性；它并非作为老化公式的物理验证。 该老化公式尚未根据电池老化测量数据进行独立校准。阿伦尼乌斯项和幂律项提供了基于物理原理的依赖关系，但其数值系数是预设的。日历式组件基于保留的驱动片段时长进行评估，且不包括停机存储时间；其绝对值还取决于所采用的片段定义和裁剪缩放规则。因此，生成的SoH被用作用于对比预测和配对场景分析的合成标签，而非经过校准的三年容量保持预测。 与基于容量的BMS SoH的关系。实施审计显示，预测目标并非通过将辅助0特征映射到剩余容量来获得。0是从源段表示中保留的构建预测器，而目标是基于规则、半经验的合成健康指数，该指数通过累积段损失得出。因此，当前目标既不是实测的内阻SoH，也不是基于容量的BMS SoH。在BMS中部署时，需要针对目标化学体系的实验测量容量保持率和/或电阻增长进行校准。R0 is a constructed predictor retained from the source segment representation, whereas the target is a rule-based, semi-empirical synthetic health index accumulated from segment losses. The present target is therefore neither a measured internal resistance SoH nor a capacity-based BMS SoH. Deployment in a BMS would require calibration against experimentally measured capacity retention and/or resistance growth for the target chemistry. 以下。预测误差量化了与合成标签生成器的一致性；外部预测有效性则需要与实测电池SoH轨迹进行比较。 本研究中使用的老化系数是预设的，并未根据实验老化数据进行校准。这些数值会影响生成的SOH目标、预测误差以及配对场景的差异。因此，正式的敏感性分析应在实验验证的范围内，对主要的循环老化和日历老化系数及数值极限进行变化测试。由于本研究中缺乏此类校准范围，因此未引入任意参数范围。这仍是未来针对特定化学体系验证的重要步骤。
3.5. 人格化数据集构建 为了代表真实的长期车辆使用情况，将生成的运行场景结合起来，构建具有代表性的用户人格。与模拟期间使用的驾驶员使用概况不同，“人格”通过结合多种运行模式、驾驶员行为、日常驾驶特征和出行模式，定义了长期的、整体的车辆使用趋势。 本研究考虑了三种代表性画像：保守型、典型型和运动型。每种画像通过不同的概率分布来定义驾驶员操作特征、车辆运行模式、每日驾驶时长、停车频率以及驾驶循环选择。因此，生成的运行历史反映了不同的长期使用行为，而非孤立的驾驶事件。 保守型、典型型和运动型人格被刻意定义为受控的示例场景，而非统计学上识别的真实驾驶人群。它们的概率分布被选择以涵盖驾驶员特征、车辆模式、每日驾驶时长、停车频率和长途驾驶发生率的低、中、高需求组合，同时保留随机的日常变异性。由于这些分布尚未适配自然驾驶或车队遥测数据，因此人格名称应被视为场景标签。在声称人群普遍性或驾驶员类别泛化性之前，需要使用真实驾驶数据进行验证。 这种概率生成过程产生了随机的逐日变化，同时将每个画像的日历月份与相应的源月份相匹配。所选片段保留了其温度条件信号和合成损失。SoC在连续片段之间不进行边界匹配。数值画像分布报告在表3中以保证可复现性。 表3。 用于随机生成三个代表性操作人格的数值参数。完整数据集跨越1095个日历日。第一年作为观察窗口，而第二年和第三年年末的SoH值被用作预测目标。 开发集、基准测试集和反事实数据被保存在独立的评估分支中。基准测试轨迹是独立生成的，未用于模型拟合，而配对文件仅用于行为分析。特征归一化统计量是从开发集中计算得出的。由于有效窗口的数量随轨迹和单文件保留限制而变化，数据集的大小由提取和分区规则定义，而非仅由1095天的时长决定。
4. 场景感知的多性向多时域SoH预测 在完成第3节中描述的模拟和数据集生成阶段后，开发了一种基于CNN-LSTM的混合预测模型，用于根据早期运行历史评估电池的长期健康状况。该模型不会递归地预测完整的SoH轨迹。相反，它利用车辆使用第一年收集的运行数据，直接估计预定义未来时间节点的SoH退化情况。这种方法减少了误差累积，适用于仅能获取有限早期数据的情况下的电池长期健康预测[13,16]. 备注 1. 预测策略的关键特征 这项工作的贡献并不依赖于新的神经网络架构。相反，预测策略结合了场景感知的运行数据、人格化使用编码、多源时间采样、直接多时域退化预测以及物理约束的输出重构。因此，该架构应被视为用于测试更广泛方法论的一种实现选择。在本次评估中，并未声称该架构在序列模型方面优于其他替代方案。 CNN-LSTM组件被用作基于序列的预测公式实现之一，而非一种新的层拓扑结构。匹配的基准测试将其与线性、基于树、卷积、LSTM和GRU等替代方案进行评估，同时组件消融实验测试了人格编码、压力因子、构建的R0特征、多源训练和输出边界。结果表明，人格编码是测试中最明确的贡献因素；多源采样和输出边界取决于配置，而非预设的改进来源。因此，更广泛的贡献在于场景感知预测和配对评估方法论，而非架构层面的优越性。
4.1. 预测问题建模 预测任务被建模为一个有监督的多变量序列到回归问题。对于每个生成的运行序列，第一年的样本被用作观测输入，而第二年和第三年结束时的SoH退化则被用作预测目标。 该模型并非直接预测绝对的SoH值，而是预测相对于观测起点的SoH变化。直接的多性向预测公式如下： (11) 其中表示CNN-LSTM预测模型，并且是从第一个运营年提取的多变量观测窗口。 模型输出是一个二维退化向量， (12) 其中和分别表示从观测起点到第730天和第1095天的预测SoH变化。由于电池SoH预计会随时间下降，网络输出被约束为产生非正的退化增量。在推理过程中，将预测的退化增量加到观测起点的SoH上，以重构未来的SoH值。 两个特定时间跨度的SoH变化均通过观测窗口的同一次前向评估获得；第3年的结果不依赖于预测的第2年值。
4.2. 输入特征表示 网络输入维度为12 × 600。其中9个通道包含随时间变化的运行信号，其余3个通道包含独热编码的画像表示。所有通道在相同的600个样本观测窗口内保持同步。 这9个连续时间序列特征为：
荷电状态（SoC）， 电池端电压， 电池电流， 电池功率， 车速， 纵向加速度， 电机扭矩， 滚动阻力系数R0， 情景压力因子。 额外的三个通道代表使用One-hot编码的画像级使用类别。这些通道区分保守型、典型型和运动型使用类别，并在时间窗口内保持不变。 连续特征使用从训练数据集中计算出的均值和标准差进行归一化。分类One-hot通道不进行归一化，因此在训练和测试过程中保留其二进制解释。 这个合成基准测试中还存在潜在的输入-目标循环问题。SOH标签是使用电流、温度、SOC及相关暴露变量生成的，而部分相同的运行信息又被用作预测输入。因此，较低的预测误差可能部分反映了学习到了合成老化模型的结构，而非独立观测到的物理退化规律。直接从公式(4)-(10)计算第730天和第1095天的标签，需要第365天预测点尚无法获取的未来运行数据。因此，该基准测试被解释为在留出场景下对合成SOH生成器的预测，而非对物理SOH模型的独立验证。
4.3. 观察窗口采样与多源消融 参考协议从第365天可用的最新驾驶日中提取完整的、不重叠的600个样本窗口。每个窗口保持在单个源段边界内。每个时间节点的预测目标是该时间节点存储的SoH减去窗口终点处的SoH。因此，第365天表示观测截止点，而非断言每个窗口都结束于同一样本。 对于多源消融实验，训练观测数据取自最新可用驾驶日，截止时间点分别为60、120、180、240、300和365。每个截止时间点最多选择20个窗口。单源协议在第365天时每个文件使用相同的总数；当数据不足时，计数会等比例减少。验证和测试窗口固定在第365天的截止时间点。此基准测试不使用抖动或重叠步长采样，且网络没有独立的观测日输入。
4.4. CNN–LSTM混合架构 如图2每个输入样本由一个包含12个同步通道的600个样本观测窗口表示。三个一维卷积层逐步从多变量电池和车辆信号中提取局部时间特征。生成的特征图随后由LSTM层处理，以捕捉观测窗口内的长期时间依赖关系。最后，潜在表示通过两个全连接层，以联合估计第730天和第1095天的SoH变化。 图2。 使用12通道输入窗口，用于直接预测730天和1095天SoH变化的CNN-LSTM混合架构。该架构允许卷积层提取的局部信号模式与LSTM的序列建模能力相结合，使短期运行行为和长期退化趋势都能对最终预测做出贡献。 具体而言，第一层卷积使用64个卷积核，卷积核大小为7；第二层使用32个卷积核，卷积核大小为5；第三层使用16个卷积核，卷积核大小为3。每个卷积层后都紧跟一个ReLU激活函数。这种结构使模型能够从电池和车辆信号中提取不同时间尺度上的局部时间模式[14]. 卷积特征随后被传递给一个具有64个隐藏单元的LSTM层。LSTM层利用最后的输出状态来总结观测窗口中包含的运行历史。在LSTM层之后应用了丢弃率为0.2的Dropout层以减少过拟合[22]. 最终的回归头由一个包含64个神经元的全连接层组成，随后是ReLU激活函数，以及一个具有两个输出的最终全连接层。这两个输出分别对应第730天和第1095天的预测SoH退化。从数学上讲，所提出的网络将归一化输入序列通过连续的卷积、循环和全连接变换，映射到两个特定时间跨度的退化输出。卷积特征提取器表示为 (13) 这里，表示卷积层 l 的输出特征图，而和表示相应的卷积核和偏置项。这三层分别包含 64、32 和 16 个滤波器，卷积核大小分别为 7、5 和 3。第三个卷积层的输出表示为其中 Lc 是最终的时间长度。 提取的特征序列随后被传递给一个具有64个隐藏单元的LSTM层。其最终隐藏状态总结了观测窗口中包含的序列信息： (14) 在训练期间，对该表示应用了0.2的掉落率。随后，回归头将LSTM表示映射到一个中间64维特征向量，然后生成两个原始的特定时界输出： (15) 在此公式中，是中间的全连接表示，包含两个无约束的网络输出。这些原始输出通过特定时界的sigmoid边界进行转换，以获得最终的退化预测： (16) 其中 包含最大退化限制。 因此，生成的向量包含非正向的退化增量，分别被限制在第730天和第1095天的[−0.20, 0]和[−0.30, 0]范围内。
4.5. 训练策略 神经网络模型使用Adam优化器 [23]，批大小为32，初始学习率为10−3 ，每15个轮次后学习率减半。最大预算为30个轮次。每个参数梯度张量的范数被裁剪为1.0。如果连续5个轮次内验证集MAE在归一化SoH单位下的改进未超过10−4 ，则停止训练；保留的网络由验证集MAE决定。 训练采用基于Huber公式的双时间跨度Huber损失函数[24]，其中第730天和第1095天的阈值分别为0.02和0.03，权重分别为1.2和1.6。此外，还添加了一个等于两个输出的平均平方批次偏差0.05倍的项。种子42、52和62在相同的划分中进行评估。独立的LSTM和GRU具有64个隐藏单元；CNN基准模型使用相同的卷积堆栈，随后进行全局平均池化。所有神经变体共享回归头、损失函数和最大训练预算。 有界网络将每个输出映射到[−0.20, 0]或[−0.30, 0]，如式(16)所示。这些是预设的数值边界，而非独立验证的物理模型。它们防止相对于观测状态出现正向预测增量，但并不强制两个时间跨度之间的顺序关系。无界变体则省略了此变换。
4.6. 实现与数据分区 基准实现使用MATLAB 2024b序列模型，输入样本数为600。清单包含30个基准人格文件：6个用于训练的运行标识符（2、4、5、6、8和9），2个用于验证（1和7），2个用于测试（3和10），每个标识符由全部3种人格代表。这产生了18个训练文件、6个验证文件和6个测试文件。对应的窗口数量分别为1314、558和438。 线性参考拟合了截至观测截止日期的前90天合成SOH趋势。它作为简单的分析参考，但并非老化方程的特征匹配重建。 岭回归和随机森林从相同窗口获取每个通道的均值、标准差、最小值和最大值，而非完整序列。岭回归使用训练拟合的特征缩放，并根据验证MAE从{0.01, 0.1, 1, 10, 100}中选择惩罚项。随机森林在每个预测时界拟合100棵回归树，最小叶节点大小为5，每次分裂时采样三分之一的汇总预测变量。持久性预测SOH变化为零。线性参考拟合了截至观测截止日期的前90天每日合成SOH趋势；它具有信息优势，并非特征匹配的传感器基准。 数据和代码可用性。为支持可复现性，文稿中详细说明了基准划分、窗口提取规则、模型定义、随机种子、优化设置以及确定性基线设置。本次提交未声明完整原始数据集或可执行代码库已公开发布；可引用的代码库仍是未来可复现性的交付成果。 算法1总结了角色生成、预测以及配对场景评估的流程。
算法 1. 画像生成、预测与配对场景评估
输入：特定月份的运营分段；表3中的角色分布；中的老化参数第3.4节；, 第4.4节, 第4.5节和第4.6节. 1. 构建SegmentBank。将源模拟划分为可重用的操作段。使用第3.4节中的公式计算并存储每个段的合成SoH降幅第3.4节. 2. 生成角色轨迹。对于每个日历日，从规定的角色分布中采样驾驶需求、车辆模式和驾驶员画像。从相应的日历月份中选择源片段。 3. 组装每日驾驶序列。连接选定的片段以满足采样的驾驶时长。如果最终片段被裁剪，则按保留的时长比例缩放其SoH下降值。复制相关的运行信号，而不假设片段之间存在SoC连续性。 4. 更新SoH人格。从第一个选定分段的存储起始值初始化SoH，并使用公式(9)累积保留分段的递减量。在每个分段内对SoH进行插值。停车天数会推进日历，但不会进行额外的停车老化更新。 5. 划分预测数据集。根据运行标识符将完整的基准轨迹分配到训练集、验证集和测试集，具体要求见第4.6节。将配对的场景文件与预测模型开发分开。 6. 提取观测窗口。应用第4.3节中的Day-365窗口选择规则。 7. 训练并比较预测模型。使用通用划分和模型特定设置评估基准模型和CNN-LSTM配置。应用组件消融实验，并使用种子42、52和62重复随机训练。使用验证数据选择模型设置。 8. 评估预测性能。计算留出测试窗口的特定时间跨度误差。计算每个测试运行组内的平均误差，然后对各组进行等权平均。报告不同种子间的均值和样本标准差。 9. 构建配对的未来情景。在两个分支中保留相同的前365天。从第366天起，在一个分支中保留基准人格，在另一个分支中应用替代人格。使用相同的片段选择和SoH更新规则生成两个未来分支。 10. 验证并比较配对。在计算第730天和第1095天的配对SoH差异之前，检查第一年SoH、每日样本索引和片段日志的等同性。将这些差异在每次转换的十次配对运行中进行汇总，与预测误差分开报告。 输出：留出预测误差、组件消融结果和配对情景SoH差异。
4.7. 推理与SoH重建 在推理阶段，每个保留的第365天截止窗口会产生两个SoH变化估计值。将该窗口端点的已知合成SoH相加，即可得到相应的未来SoH估计值： (17) 其中表示预测时界。 修订后的基准测试评估SoH变化在窗口层面的误差。将相同的观测状态SoH添加到预测值和目标值中，这些误差保持不变。在评分前，预测值不会被平均为一个文件层面的估计值，基准测试中也不会应用额外的截断。绝对误差首先在每个测试运行组内进行平均，然后在这两个组之间进行等权平均。 MAE和RMSE以SoH百分点表示，其中1个百分点等于归一化SoH中的0.01。表4报告了三个种子下运行组加权MAE的均值和样本标准差。这种种子变化并非预测区间，也不是老化规律的不确定性估计。 表4。 匹配基准与消融实验对比。
5. 结果与讨论 本节报告了三项互补的评估：(i) 使用固定运行组划分的匹配Day-365预测基准和组件消融研究，(ii) 保留的独立十次运行CNN-LSTM人格级鲁棒性分析，用于总结运行间的模拟变异性，以及(iii) 配对的Year-1后行为情景分析。这些方案的结果分别报告，不进行合并。
5.1. 评估协议 匹配的基准测试使用了第4.6节中的运行组划分三个种子中的每一个都成功完成了全部13种配置（共39次执行）。测试分区由代表两个运行标识符和三种人格的六个基准文件组成。神经网络训练在6至22个轮次后停止；CNN-LSTM运行分别使用了10、11和12个轮次。 Day-365比较对每种配置使用相同的固定运行组划分，因此观察到的差异反映的是模型和特征选择，而非划分变化。因此，它被解释为在留存合成轨迹上的匹配比较基准，而非外部验证。使用额外的运行组和独立源数据进行确认仍是重要的下一步。 性能使用运行组加权平均绝对误差（MAE）进行汇总，基准输出中也记录了均方根误差（RMSE）。1个SoH百分点对应0.01的归一化SOH差异。 行为反事实实验与CNN-LSTM预测分开评估。配对的画像序列在最初365天内具有相同的运行历史。从第366天起，基准画像要么保持不变，要么转变为需求较低的使用模式。研究的转换包括：运动型到典型型、运动型到保守型以及典型型到保守型。 配对设计要求在比较未来分支之前，首年SoH、每日样本索引和分段日志必须保持一致。对存档的人格文件进行的独立审计评估了三次转换，每次包含十次配对运行。所有30对均通过了首年一致性检查。第5.3节将最终的配对场景差异与预测基准分开报告。
5.2. 比赛预测对比与组件消融 表4报告了在通用的第365天观察截止日期和固定运行组划分下的匹配基准和组件消融研究。确定性、基于树、卷积、循环和混合配置在相同的预留合成轨迹组上进行评估；多源行变化仅改变训练窗口协议。 在匹配的基准测试中，随机森林产生了最低的平均绝对误差（MAE）。CNN-LSTM被保留作为主要序列模型，因为它直接处理同步的600个样本多变量时间序列窗口，并用于演示所提出的序列预测工作流程。因此，它并未被呈现为性能最佳的模型，也没有声称其在全年龄范围内优于随机森林。 比赛对比包括持久性、历史线性SoH趋势、岭回归、随机森林、CNN、LSTM、GRU和CNN-LSTM。CNN-LSTM在第730天和第1095天的SoH百分点平均绝对误差（MAE）分别为0.177 ± 0.003和0.238 ± 0.032。随机森林实现了最低的对应误差，分别为0.163 ± 0.002和0.077 ± 0.002，而岭回归的误差为0.177 ± 0.000和0.128 ± 0.000。LSTM和GRU的表现接近CNN-LSTM，而纯CNN的准确度较低。因此，基准测试支持CNN-LSTM作为一种具有竞争力的序列实现，但并未确立其在架构层面的普遍优越性。 组件消融实验为特征重要性提供了直接证据。移除人格编码使平均绝对误差（MAE）分别增加了1.053 ± 0.092和1.896 ± 0.157个百分点，这是所有测试的特征移除中退化最严重的。在没有StressFactor的情况下，误差分别为0.187 ± 0.020和0.254 ± 0.033；在没有构建的R0特征的情况下，误差分别为0.165 ± 0.020和0.248 ± 0.060。多性向训练产生的误差为0.828 ± 0.110和0.895 ± 0.036，而移除输出边界产生的误差为0.175 ± 0.019和0.201 ± 0.057。因此，人格编码是比赛任务中最明确的贡献因素；其他组件的效果则取决于时间跨度和配置。 对比结果支持了场景感知实验框架和配对评估设计，其中随机森林在测试配置中提供了最强的预测基准。 独立的个体层面评估使用单一训练的CNN-LSTM模型，在每个个体的十条测试轨迹中保持固定。这些测试轨迹是独立于训练和验证数据生成的。因此，报告的运行间变异性反映的是测试轨迹之间的差异，而非重复模型训练的结果。 如图3所示，在十次运行的个体级协议下进行的二次稳健性分析中，不同个体的预测误差存在差异。保守型轨迹在第2年和第3年的归一化SoH单位下产生的MAE分别为0.00293和0.00329（0.29和0.33个百分点），典型型轨迹产生0.00545和0.00544，而运动型轨迹产生0.01045和0.01051。这些数值代表了与匹配的第365天基准不同的评估协议，仅用于报告运行间稳健性和不确定性。 图3。 在第2年和第3年时间跨度下的二次十次运行CNN-LSTM人格级鲁棒性分析。误差棒表示十次独立生成的模拟运行的标准差。该图与匹配基准分开，位于表4。（合成SOH）。保守型偏置在两个时间跨度上均为正值，尽管数值较小，而典型型偏置则接近于零。对于运动型操作，负偏置表示预测的SoH低于模拟参考值，因此存在高估退化的倾向。这种误差模式的一个可能解释是运动型序列中存在更大的变异性。保守型人格主要由平稳驾驶和节能模式操作主导，这会产生相对均匀的电池负载。运动序列包含更多激进驾驶特征和运动模式片段、更长的驾驶时长以及更高的分配应力因子。因此，它们的电流、功率、扭矩、阻抗和退化历史覆盖了更宽的运行范围。这种更宽的波动使得从早期观测窗口到长期健康状态目标的映射更难估计。 在所有报告的案例中，最大的个人级平均绝对误差为1.05个SoH百分点。在此测试集中，第3年的误差并未系统性地超过第2年的误差。这种表现与非递归公式相符，因为第二个输出是直接估计的，而不是从第一个输出传播而来的。然而，这并未证明其相对于递归预测或任何其他模型家族的优势。此类主张需要将这些方法在相同的数据划分和目标定义下进行训练和评估。 该比较具有代表性而非详尽性：未包含支持向量回归，测试划分仅由两个运行组构成，且三个神经种子反映的是优化变异性，而非底层老化公式的不确定性。 报告的运行级均值的不确定性，还使用基于Student t分布的双侧95%置信区间（CI）进行了汇总（n = 10, df = 9, t0.975 = 2.262）。对于平均绝对误差（MAE），95%置信区间分别为：保守型第2年 0.00274–0.00312，保守型第3年 0.00307–0.00351，典型型第2年 0.00493–0.00597，典型型第3年 0.00501–0.00587，运动型第2年 0.00975–0.01115，以及运动型第3年 0.00967–0.01135。这些区间量化了十次独立生成的模拟运行中均值的不确定性；它们并非针对单个真实世界电池的预测区间。 为了区分均值不确定性与额外模拟运行预期的离散度，还计算了双侧95%运行级预测区间，计算公式为使用 = 10次独立运行。对于平均绝对误差（MAE），所得区间为：保守型第2年0.00229–0.00357，第3年0.00255–0.00403；典型型第2年0.00374–0.00716，第3年0.00402–0.00686；运动型第2年0.00813–0.01277，第3年0.00773–0.01329。这些是模拟场景分布下运行级指标的预测区间，而非针对单个真实电池健康状态（SoH）的校准预测区间。模型参数不确定性、老化模型不确定性、气候不确定性以及领域迁移不确定性均未包含在这些区间内。
5.3. 行为假设分析 配对行为实验比较了同一第一年合成轨迹的两种后续发展。在基准分支中，第365天后维持预设的人格特征；在替代分支中，第一年后的性格分布被替换为要求较低的分布。每个时间节点的配对差异是根据两个合成的SoH指数计算得出的。 (18) 正的配对差值意味着在所采用的生成器下，替代方案具有更高的合成SoH指数。表5报告了每次转换在十次配对运行中的平均值和样本标准差，而图4可视化了第730天和第1095天的相应场景差异。 图4。 第730天和第1095天验证的配对合成SOH差异均值。正值表示在替代未来情景中合成健康指数更高；误差棒显示十次配对运行的一个标准差。表5。 经验证的配对合成SOH差异，根据每个转换的十次存档配对运行重新计算得出。数值以归一化SoH单位表示（0.01 = 1个百分点），报告为均值±样本标准差；所有30对均通过了第一年的等效性检查。经验证的配对差异在第730天和第1095天时，Sporty-to-Typical的SoH百分点分别为1.754和3.542，Sporty-to-Conservative为2.657和5.389，Typical-to-Conservative为0.936和1.835。 采用相同的t检验程序，平均配对SoH增益的95%置信区间为：Sporty-to-Typical 0.01657–0.01851（第2年）和0.03432–0.03652（第3年）；Sporty-to-Conservative 0.02558–0.02756和0.05267–0.05511；以及Typical-to-Conservative 0.00864–0.01008和0.01763–0.01907。这些区间描述了所采用模拟框架内的蒙特卡洛/运行间不确定性，并不构成总体水平因果效应的可信区间。 对于配对的SoH增益，相应的95%运行级预测区间为：运动型到普通型 0.01434–0.02074（第2年）和 0.03177–0.03907（第3年）；运动型到保守型 0.02330–0.02984 和 0.04986–0.05792；以及普通型到保守型 0.00696–0.01176 和 0.01595–0.02075。这些区间代表了确定性模拟框架内的运行间场景变异性。它们不包括由替代老化参数、未观测气候、充电行为、电池化学成分或神经网络参数系综引起的不确定性；因此，现实世界中的预测不确定性预计会更宽，并且需要进行经验校准。 配对合成差异的排序在不同时间跨度上保持一致：从运动型到保守型的差异最大，其次是从运动型到典型型，以及从典型型到保守型。这种排序表明，在规定的使用场景之间存在可复现且可解释的差异。 所有三种转换的配对合成差异均随时间跨度增加而增大。这一模式反映了在评估时间跨度内，分段损失差异的不断累积。 这些配对值仅应被解释为预设模拟场景之间的基于模型的差异。它们并不表明在实际驾驶行为中做出相同的改变，就能在电池寿命上产生同等的改善。 与独立生成的运行轨迹之间的传统比较不同，配对评估仅修改未来的行为，保留了第一年的完整运行历史。这种设计减少了因退化历史不一致而产生的混杂因素，并支持在所采用的模拟框架内对行为影响进行受控评估。
5.4. 预测与决策支持解释 这些评估提供了不同形式的证据。匹配基准量化了在保留的合成轨迹上的比较预测性能和组件效应；二次十次运行分析刻画了CNN-LSTM在独立的人格层级协议下的运行间变异性；配对分析则量化了预设未来场景之间合成的SoH差异。 反事实值是由人格与老化流程生成的，而非通过修改CNN-LSTM模型的分类输入。这种区分避免了呈现物理上不一致的反事实输入，即在人格标签改变的同时，实测电流、功率、扭矩和应力信号保持不变。这也意味着当前的CNN-LSTM模型预测的是在观测序列所代表的使用行为下的未来SoH；它不会独立推断未见过的未来行为转变。因此，CNN-LSTM并不被视为因果或反事实推理模型；行为上的“如果”结果仅通过重新运行物理关联的第1年后运行场景和老化流程来获得。 在此范围内，该框架支持两种形式的电池健康评估。首先，它预测在观测序列所代表的使用模式下，第二年和第三年的电池健康度（SoH）。其次，它将该持续案例与基于相同第一年历史数据生成的其他未来情景进行比较。因此，输出结果可以支持如下形式的条件性建议：“在当前模型假设下，此种转变与以下SoH差异相关联。”然而，实际的汽车集成需要针对真实世界的电池退化轨迹和实际车队测量数据进行广泛的经验验证。 在规定的配对情景中，运动型到保守型产生了最大的第三年合成差异（5.389个百分点），其次是运动型到典型型（3.542）和典型型到保守型（1.835）。这些数值量化了在所采用的模型假设下，规定的未来使用情景之间的差异。
5.5. 评估的局限性 基于人格层面的和配对场景的分析是基于模拟的，每个角色和每组配对比较包含十次独立生成的运行。配对设计消除了由第一年历史记录不一致引起的变异性，并加强了内部比较。因此，报告的均值和标准差应被视为生成轨迹的描述性统计数据，而非对现实世界驾驶员或车队群体的估计。由于每种条件仅有十次运行，置信区间仍为描述性的且相对有限；更大的集成、自助法不确定性估计以及模型集成或贝叶斯预测不确定性将留待下一验证阶段进行。 SoH标签是由文中描述的基于规则的半经验分段损失代理模型生成的中的老化参数并且尚未针对特定的商用电池单元或车队进行校准。因此，应将其视为合成的比较目标，而非实测的容量保持率或基于电阻的健康状态。 源模拟使用伊斯坦布尔的月度环境温度条件。角色日历月份与相应的源月份相匹配，保留所选片段的月度温度条件。转移到其他气候需要新的源模拟和独立评估。 现在已包含匹配的基准测试和消融研究。其主要局限性在于广度：该基准测试涵盖了持久性、线性趋势、岭回归、随机森林、CNN、LSTM、GRU和CNN-LSTM，但未包含所有可能的SoH预测器（例如SVR）。固定的测试分区仅包含两个运行组，因此在进行广泛的模型排名声明之前，需要额外的独立运行组和外部数据集。 消融结果表明，人格编码是测试中最强的上下文输入，而StressFactor、构造R0、多源训练和输出边界的影响较小或取决于配置。这些发现取决于合成生成器和固定的基准测试划分，在没有新评估的情况下，不应推断到其他电池化学体系或车队群体。 种子到种子的变异性仅衡量了优化过程的变异性。%% 在十次运行的人格分析中，报告的独立t置信区间和运行级预测区间描述了该模拟协议下的变异性；这两个指标均未捕捉到预设老化系数、缺失的充放电/存储历史、气候迁移或向真实电池领域迁移的不确定性。%% 在匹配的第365天基准测试中，随机森林产生了最低的平均MAE（第730天和第1095天的SoH百分点分别为0.163和0.077），而CNN-LSTM的百分点分别为0.177和0.238，表现与循环基准模型相似。移除人格编码导致了最大的消融退化（1.053和1.896百分点），证明了在此合成任务中预设操作背景的价值。在独立的配对分析中，验证过的第3年场景中最大的差异仍为5.389百分点（从运动型到保守型）。表4这些发现共同证明了操作背景的价值，以及该框架可重复地比较替代未来使用场景的能力。 在角色回放期间，充电历史不会被显式重建。充电频率、初始和目标SoC、高SoC停留、交流与直流快充、充电功率和温度、机会充电以及休息和停放存储都会影响日历和循环老化。因此，评估替代充电策略需要充电感知模拟和校准的老化模型。 因此，下一阶段的验证应侧重于外部而非仅仅是内部的比较：将半经验老化代理模型与实测电池/电池包数据进行校准，对保留的化学体系或车队轨迹进行独立测试，增加运行组别，增加与日历对齐的气候剖面，明确的充电/静置/存储历史，以及基于远程信息处理的画像分布。
6. 结论 本文提出了一种基于画像的模拟框架，用于电池电动汽车的长期电池健康状态预测及配对行为场景分析。该工作流程结合了按月划分的运行数据源段、基于规则的半经验合成老化代理模型、直接的多时域预测以及配对的未来场景评估。 与仅关注预测现有运行模式持续性的研究不同，本方法还基于共享的第一年历史数据，对预设的替代未来使用场景进行了比较。这种配对设计支持在合成生成器内进行受控比较，同时将预测准确性与场景差异区分开来；它并未建立驾驶员行为在现实世界中的因果效应。 因此，本文报告的成对数值差异是在所采用的老化、人格、气候和充电忽略条件下的模拟模型结果；它们并非实际电池寿命延长的测量值。要证明其实际效益，需要使用实验电池、电池组或长期车队数据进行校准和验证。 因此，这项工作的主要贡献在于方法论而非架构。所提出的框架展示了如何将长期健康状态（SoH）预测和成对行为分析整合到一个统一的场景感知评估流程中。 未来的工作将优先考虑使用实测电池老化或车队数据、额外的独立运行组、更冷和更热的源气候、限制级充电/休息/存储历史，以及从远程信息处理或自然驾驶数据中识别的画像分布进行校准和外部测试。应配合此校准进行正式的系数敏感性研究，以便将合成老化代理的不确定性传播到预测误差和配对场景差异中。
