CAT蓄电池基于Kolmogorov-Arnold网络与长短期记忆网络的元学习驱动小样本锂离子电池健康状态估计
来源：
卡特蓄电池 发布时间：2026-04-13 20:05:19 点击： 次
引言
随着全球能源需求持续攀升，电动汽车产业迅速扩张并形成可观市场规模。锂离子电池作为电动汽车的核心部件，其性能直接影响车辆的安全性、续航能力及整体表现。电池在使用过程中，因内部结构和化学性质变化导致容量与功能衰减，可能引发安全隐患并降低使用效能。电池健康状态（SOH）是评估电池综合性能的关键指标，对于优化电池管理系统、实施电池维护及延长电池寿命等任务具有重要作用。因此，建立精确的锂离子电池SOH估算方法至关重要。
健康状态（SOH）估算方法主要分为三类。第一类是通过实时数据测量，包括电压、电流和温度等参数。例如，库仑计数法是一种基础技术，通过追踪循环过程中累积电荷流量来计算容量[1]。Hu等人通过测量实时电流和电压数据，以及在充放电过程中采用恒流恒压法，计算了电池的静态容量[2]。Pang等人采用电化学阻抗谱（EIS）结合特定频率下阻抗实部比值与二阶拟合函数来估算电池SOH，实现了高效测量与低误差[3]。尽管这些方法操作简便且数据易于获取，但结果易受噪声等环境因素及测量装备精度的影响[4]。此外，这些方法通常需要完整的充放电循环才能获得可靠的容量值，这在实际应用中并不现实，因为电池很少会完全充满或放空。
第二类是基于模型的方法，这类方法依托物理或电化学原理来估算健康状态（SOH），包括等效电路模型（ECM）和电化学模型[5]。通过构建精确的电路模型并采用适当参数进行仿真，ECM能在一定程度上分析充放电操作中的电压与电流变化[6]。Lopetegi等学者提出了一种结合互联状态空间卡尔曼滤波器（SPKFs）的电极级ECM用于电池SOH估算。该方法实现了电极电位的实时监测，在老化诊断方面超越传统等效电路模型（ECM），对电极退化具有更高灵敏度[7]。Sugumaran等人开发了一种基于扩展卡尔曼滤波器（EKF）的新型算法，该算法与双电阻单电容（2RC）ECM电池模型集成，展现出稳健的健康状态（SOH）估计能力及工程实施可行性[8]。然而ECM仍普遍面临老化引发的参数漂移问题，需定期重新校准。电化学模型通过一系列复杂数学公式模拟电池内部工作原理，可深入解析内部状态与性能[9]。Li等人开发的单颗粒模型（SPM）融合了固体电解质界面（SEI）层和机械应力诱导裂纹机制，能准确预测多循环周期下的容量衰减与电压劣化[10]。尽管这些方法在物理可解释性方面具有优势，但其对电池模型精度要求极高。由于电池内部固有的复杂化学物理过程，这一要求往往难以实现。此外，由于模型中包含大量参数，即使这些参数存在微小偏差，也可能导致整体模型出现显著偏离，从而增加模型建立的难度和计算成本[11]。
第三类为数据驱动方法，这类方法因能规避复杂物理建模，近年来被广泛运用于研究与工业场景。其通过海量历史数据，采用机器学习、深度学习等算法构建黑箱模型，从而估算电池健康状态（SOH）。机器学习方法通过算法开发电池SOH估算模型。如Hu等学者应用支持向量机（SVM）进行电池SOH评估，通过充放电过程中的电压平台等特征将电池SOH划分为不同等级[12]。Wang等采用高斯过程回归（GPR）建立电池特征参数间的关联，并结合灰狼优化（GWO）算法提升了GPR的预测效果[13]。Gotz团队运用随机森林算法，基于多特征参数对电池SOH进行分类，获得了较高准确率[14]。然而，传统机器学习方法在捕捉输入与SOH之间复杂且高度非线性的关联时往往存在难度，这使得难以实现高且稳定的准确率。
与机器学习相比，深度学习在建模电池SOH与老化特征之间的非线性关系方面展现出更优越的性能[4]。考虑到模型架构之间的权衡，许多研究者通过融合多种模型来提升SOH估计精度。Yassine Toughzaoui等人采用CNN-LSTM混合模型实现了高精度SOH估计[15]。最新提出的Kolmogorov-Arnold Networks（KAN）作为Multilayer Perceptrons（MLP）的替代方案，表现出更强的非线性拟合能力与更高准确度[16]。在此基础上，Zhang等人提出了一种CNN-KAN融合模型，该模型通过结合CNN的特征提取能力与KAN处理复杂非线性关系的优势，在多项评估指标上超越了传统模型[17]。然而，这类方法在复杂实际工况和有限样本数据条件下可能面临挑战。针对数据稀缺问题，Ma团队与Tan团队分别提出了面向电池健康状态（SOH）估计的迁移学习框架，通过迁移源电池数据集的知识来提升目标电池SOH的估计精度[18][19]。尽管如此，迁移学习在复杂场景中难以快速适应新的工作条件[20]。近期研究中，元学习被广泛应用于健康状态(SOH)估计领域[21][22][23]。然而现有研究仅采用传统网络架构，其固定激活函数的局限性导致非线性拟合能力不足。针对电池健康状态估计，老化特征与电池退化间存在高度非光滑的关联特性，这使得固定激活函数无法适应不同电池及老化阶段间的可变非线性关系。相比之下，本模型采用的KAN可学习B样条激活函数能够精确适应电池老化的非线性趋势，这对小样本场景至关重要。该模型采用冻结部分参数的微调策略，不仅提升了计算效率，还降低了对算力的需求。此外，其跨电池材料体系的泛化能力已得到验证。Ouyang等人提出结合CNN-LSTM的元学习方法，在电池健康状态（SOH）估算中实现了高精度[24]。模型无关元学习（MAML）的应用有效缓解了迁移学习的部分缺陷[25]。然而，CNN-LSTM依赖于固定的特征提取器，可能丢失任务特定的退化信号。相比之下，KAN的自适应激活机制天然与MAML兼容。MAML为KAN的B样条权重提供了任务适应性初始参数，使模型能够以极少的微调数据和训练周期快速适应新的电池任务。KAN的自适应能力与MAML的元初始化之间的协同作用，同时实现了泛化性和任务特定拟合[26]。此外，在微调阶段可采用参数冻结微调策略（parameter-freezing fine-tuning strategy）提升计算效率。除模型融合外，特征工程也发挥着关键作用。通过多特征融合策略（multi-feature fusion）提取具有物理意义的老化特征，优于直接将原始数据输入模型。这种针对性特征提取不仅能过滤冗余或噪声数据，降低计算负荷（Load），还能使模型预测与电化学机制保持一致，从而同时提升效率和可解释性[27][28]。
锂离子电池因制造商、批次和型号存在差异，且在复杂实际工况下运行，而这类电池的样本数据往往不足。这些问题给现有的锂离子电池健康状态（SOH）估计方法带来巨大挑战。此外，尽管部分方法有所改进，但模型体积通常过大，难以便捷地部署在边缘设备上。为解决上述问题，本研究提出一种融合MAML算法与KAN-LSTM的新型混合方法用于电池SOH估计，该方法仅需目标电池的有限信息即可实现高精度估计。MAML作为一种高效元学习方法，能提供最优初始参数和更新方向，从而快速适应新任务，降低对大规模数据集的依赖。KAN-LSTM框架结合了KAN在建模复杂非线性关系方面的优势与LSTM处理时间序列充放电数据的专长，实现了全面精确的电池数据分析，从而提升SOH估计性能。此外，本研究采用多特征融合策略过滤噪声与冗余信息，聚焦老化相关特征，进而增强对细微退化模式的敏感性。本研究的主要贡献如下：
1. 提出一种多性向特征融合策略，从原始电池数据中提取关键老化相关特征，过滤冗余信息与噪声，为精确的SOH估计奠定坚实基础。
2. 开发了KAN-LSTM模型，通过融合KAN的可学习激活函数非线性拟合能力与LSTM时序处理优势，相比基线模型实现了更优异的SOH预测性能。
3. 在KAN-LSTM框架中引入MAML算法，使模型能够通过跨任务训练获得元学习初始参数。这一改进增强了对新型电池类型与运行条件的泛化能力，降低了对大规模数据集和复杂模型的依赖，同时保持了多场景下的高精度预测性能。
