基于多域特征融合与物理信息解耦网络的锂离子电池健康状态估计

《JOURNAL OF POWER SOURCES》：State of health estimation of lithium-ion batteries via multi-domain feature fusion and a physics-informed decoupled network

　　

当前依赖单一特征或纯数据驱动的锂离子电池健康状态（State of Health, SOH）估计方法往往难以捕捉复杂的老化机制且缺乏物理一致性，限制了其通用性与准确性。为此，研究人员提出了一种动态协同物理信息神经网络（Dynamic Synergistic Physics-Informed Neural Network, DSPINN），旨在跨电池和小样本场景下实现SOH估计。首先，研究人员融合了增量容量（Incremental Capacity, IC）、差分热伏安法（Differential Thermal Voltammetry, DTV）和恒流充电时间（Constant Current Charging Time, CCCT），构建了涵盖电化学、热力学和动力学维度的综合状态表征。其次，设计了一种将前馈神经网络（Feedforward Neural Network, FNN）与门控循环单元（Gated Recurrent Unit, GRU）级联的解耦“预测-校正”架构。该架构通过独立建模静态宏观趋势与动态时间残差，有效降低了模型复杂度。最后，将老化的物理先验作为结构约束整合进复合损失函数中，实现了数据驱动学习与物理定律的深度结合。基于Oxford和NASA数据集的验证证实了DSPINN在SOH估计方面具有卓越的性能。

论文解读：基于多域特征融合与物理信息解耦网络的锂离子电池健康状态估计

研究背景与意义

在全球能源转型与绿色发展的驱动下，交通电气化和可再生能源存储领域经历了爆发式增长，市场对高效可靠的储能技术需求显著。锂离子电池凭借其在储能容量、循环耐久性和运行稳定性方面的综合性能优势，已成为支撑这些新兴产业发展的关键技术。然而，随着使用时间的增加，锂离子电池的性能会发生不可逆的衰减，这一过程源于复杂的内部理化变化。为确保电池系统的安全可靠运行，电池管理系统（Battery Management System, BMS）发挥着不可或缺的核心作用，而健康状态（State of Health, SOH）是量化电池性能退化和评估剩余使用寿命的核心参数。当SOH降至初始值的70%至80%时，电池即被视为达到寿命终点，必须更换或回收以避免安全隐患和经济损失。因此，精确的SOH估计对于电池的维护、安全运行及梯次利用至关重要。尽管现有的SOH估计方法主要分为直接测量法、基于模型的方法和纯数据驱动方法，但这些方法仍面临诸多挑战。直接测量法易受噪声影响且局限于实验室离线表征；基于电化学模型的方法计算成本高，难以在线应用；而纯数据驱动方法则往往因“黑盒”性质忽略物理机制，导致预测缺乏物理一致性，且在面对复杂工况时泛化能力不足。针对上述问题，开展融合物理机制的深度学习研究具有重要的学术价值与工程应用前景。

主要关键技术方法

为实现上述研究目标，研究人员采用了多项关键技术方法。在特征工程方面，研究人员构建了多物理域特征集，系统性地融合了恒流充电时间（Constant Current Charging Time, CCCT）、差分热伏安法（Differential Thermal Voltammetry, DTV）和增量容量（Incremental Capacity, IC）等关键健康指标，以全面覆盖电化学、热力学和宏观动力学维度。在网络架构设计上，研究人员提出了一种名为动态协同物理信息神经网络（Dynamic Synergistic Physics-Informed Neural Network, DSPINN）的解耦“预测-校正”架构，该架构级联了前馈神经网络（Feedforward Neural Network, FNN）与门控循环单元（Gated Recurrent Unit, GRU），分别用于捕捉宏观老化趋势与局部时序波动。在物理约束机制方面，研究人员引入了双重物理约束机制，将老化过程的单调性约束和平滑度约束作为结构化约束嵌入复合损失函数中，从而在小样本场景下增强了模型的鲁棒性与物理一致性。实验验证环节采用了公开的Oxford和NASA电池老化数据集进行交叉验证。

研究结果

电池老化数据集

本项研究使用的实验数据来源于公开的英国牛津大学（University of Oxford）电池老化数据集。该数据集涵盖了八只由Kokam制造的容量为740 mAh的软包电池（Cell 1至Cell 8），其正极由钴酸锂与锰酸锂混合而成，负极为石墨。所有老化测试均在40 °C的恒温条件下进行，采用的循环策略结合了2C恒流充电与模拟城市工况的动态放电。这为研究人员验证所提算法提供了标准且可靠的数据支撑。

DSPINN总体框架

针对现有方法在模型适应性和物理解释性方面的挑战，研究人员提出了动态协同物理信息神经网络（DSPINN）框架。该框架通过两阶段物理信息融合策略，深度整合了电池的静态退化特征与动态演化规律。其核心在于利用解耦架构分别处理不同时间尺度的老化特性，并利用物理定律指导SOH演化轨迹的预测与修正，从而在保证预测精度的同时维持结果的物理合理性。

实验设计与评估标准

实验流程主要包括从电池老化数据集中提取健康特征、训练DSPINN模型、分析SOH估计结果以及验证算法的有效性与准确性。针对Oxford电池数据集，研究人员采用了留一交叉验证法（Leave-One-Out Cross-Validation, LOOCV）将其划分为训练集、验证集和测试集。在每次迭代中，指定一个样本作为测试集；在其余七个样本中，随机选择一个作为验证集，剩下的六个作为训练集。这种严谨的实验设计确保了模型评估结果的无偏性与可靠性。

结论

本文提出并验证了一种动态协同物理信息神经网络框架，以解决锂离子电池在线SOH估计的挑战。该方法通过协同建模动态与静态特征，克服了单体电池间的固有差异，能够精确预测未知电池的SOH演化轨迹。该框架的核心在于采用了解耦的“预测-校正”架构。通过在复合损失函数中引入物理约束，该框架不仅增强了对非线性退化模式的适应性，还确保了预测结果符合物理逻辑。在Oxford和NASA数据集上的广泛验证表明，该方法在跨电池和小样本场景下均展现出卓越的SOH估计性能。此项研究标志着电池诊断技术正从单纯的“数据拟合”向高级的“物理数据融合”阶段演进，为复杂物理系统的数据驱动预测提供了新的理论范式与技术支撑。