CAT蓄电池多源元域泛化方法用于未见条件下锂离子电池容量预测
来源：
卡特蓄电池 发布时间：2026-04-03 11:19:53 点击： 次
引言
锂离子电池具有高能量功率密度、低自放电率与污染性、宽工作温度范围及长循环寿命等优势[1][2]，被广泛应用于电动汽车与储能系统[3][4]。然而随着充放电循环次数增加，锂离子电池的剩余循环容量逐渐衰减，发生灾难性事故的可能性持续上升[5]。当电池性能退化至特定失效阈值时，即宣告其寿命终结[6]。建立准确可靠的电池健康退化监测模型，对于保障电动汽车电池健康管理、降低非计划性维护成本具有关键意义。
当前锂离子电池健康状态（SOH）与剩余使用寿命（RUL）预测研究主要包括基于模型的方法与数据驱动方法[7]。基于模型的方法具有高精度与可解释性特点，如电化学模型[8]、等效电路模型[9]和经验模型[10]。由于锂离子电池退化过程复杂多变，基于模型的方法难以在动态环境中有效监测其健康状态。数据驱动建模方法[11][12]因其灵活性、适应性和高动态精度[13]近年来受到广泛关注。其中基于深度学习的方法已成为数据驱动方法的重要分支[14][15]，常见结构包括深度神经网络（DNN）[16]、卷积神经网络（CNN）[17]、长短期记忆网络（LSTM）[18]以及门控循环单元（GRU）[19]。深度学习需要且完全依赖于大量高质量数据，训练数据与测试数据必须满足独立同分布假设[20]。然而由于运行工况频繁变化及复杂环境噪声的干扰[21]，上述假设往往难以满足。不同循环条件下电池数据分布呈现不一致性，这种现象称为域偏移。数据分布的差异性会破坏估计模型的泛化能力，在源域训练的模型迁移至目标域时可能出现性能劣化。近期基准研究BatteryLife[22]汇集了多组电池数据集，涵盖广泛的老化测试协议与运行工况。该研究表明域偏移会导致模型在不同老化条件下的性能下降，跨域迁移与泛化问题仍具挑战性。因此，建立稳健的容量预测模型以有效解决域偏移问题，对于提升锂电池健康监测的可靠性至关重要。
域适应（Domain Adaptation, DA）是提升跨条件建模能力的有效机制[23]。Ma等人[24]引入最大均值差异（Maximum Mean Discrepancy, MMD）以减小训练与测试电池数据间的分布差异，并提出个性化健康状态（SOH）估计方法。Ye等人[25]提出同时考虑MMD与相关性对齐（CORrelation ALignment, CORAL）的无监督特征对齐度量，进一步提升了模型迁移性能。Hua等人[26]提出动态加权方法，有效实现了多性向（Multi）工况下无监督电池容量估计。Shen等人[27]在迁移阶段采用MMD与对抗训练策略，最小化域间差异并实现跨域荷电状态（State of Charge, SOC）估计。
尽管上述基于领域自适应（DA）的方法在跨工况健康状态评估中已取得令人满意的结果，但该模型在训练过程中需要预先获取部分目标域数据[28]。这一局限性阻碍了基于DA的方法在泛化预测任务中的应用。锂离子电池常工作于不同环境和负载条件下，其工况变化多样且迅速。由于设备运行状态未知且无法提前采集目标域数据，难以捕获足够的退化信息，这使得可靠泛化成为亟待解决的关键问题。因此，在实际设备使用过程中（新工况出现时）的操作环境/读档变化应当被纳入锂离子电池健康状态评估任务的考量范畴。基于已知工况的离线数据集进行学习，并构建一个对未见过数据分布仍保持强预测性能的通用模型，具有重要研究意义和工程必要性。上述策略常被称为领域泛化（DG）。近期研究已开始将DG应用于域偏移场景下的电池寿命预测与健康状态评估。例如，Tan等[29]采用集成DG技术的Informer架构来预测变工况下的电池退化轨迹；Chen等[30]提出基于DG的健康状态估计框架，通过结合CNN-GRNN特征提取器与域判别器来提升跨工况鲁棒性。
由于基于领域泛化（DG）的方法无需目标域数据参与模型训练，其在真实工业案例中展现出更强的鲁棒性与适应性。当前大多数DG研究聚焦于如何实现领域不变表征学习。Ding等[31]设计了一种编码器-解码器网络，通过在映射空间消除领域特异性特征以更好地学习领域不变特征并实现泛化。Lu等[32]通过提取内部互不变特征来增强特征多样性。Zhou等[33]通过监督对比学习、学习向量量化与对抗训练逐步对齐特征分布，从而提升模型的泛化能力。Chen等人[34]采用多源对抗训练充分学习域不变特征表示，以消除模型对目标域数据的依赖性。这些方法侧重于探索域不变表示，却忽略了域特定表示。然而，特定领域表征包含对容量预测有益的退化敏感信息，这可能导致训练模型难以在源域保持良好预测性能。另一方面，当面对样本不平衡且数据分布差异显著的多个源域时，模型难以学习有效的领域不变表征。此外，运用元学习策略解决泛化问题也是当前研究热点之一。Finn等人文献[35]提出的模型无关元学习(Model-Agnostic Meta-Learning, MAML)方法通过从多个训练任务中进行梯度下降来学习通用知识。Shu等[36]设计了新型元学习任务与损失约束以实现领域知识的泛化。Lei等[37]在元学习框架中引入梯度对齐算法，促使模型在未知工况下保持良好的泛化性能。然而上述研究均未充分考虑模型的时间建模能力。锂电池容量预测问题本质上是时间序列预测问题，即前一时间步的信息会影响当前时间步的容量预测。对时序信息建模能力不足的特征提取器难以有效提取电池退化表征。
针对上述局限性，本文提出一种基于领域泛化（DG）的新方法，用于预测未见工况下的锂电池容量。该方法在训练阶段无需获取目标域数据，在更具现实意义和挑战性的泛化预测任务中具有重要潜力。主要贡献可归纳如下：
（1）提出一种名为MMDGN的多源元领域泛化方法，用于未见工况下的容量预测。该方法充分挖掘领域不变表征与领域特定表征，以提升模型的容量预测精度与泛化能力。
（2）提出一种领域模糊学习方法，通过增强领域分类器输出概率的不确定性，实现多源域间的稳定对抗训练，从而有效学习广义的领域不变表征。采用元学习训练策略模拟工业泛化场景，进一步优化领域特定表征，同时保留领域特定结构的容量预测能力（capacity prediction ability）。
(3)考虑到容量退化过程的时间依赖性，本研究提出一种具有多注意力机制的特征提取器，该模型能有效抑制与任务无关的背景噪声，同时增强所提取序列表征与容量退化状态间的相关性。
（4）大量实验验证了所提方法在未知工况下产能预测的有效性。
