探索小样本下的电池SOH估计：基于自注意力机制的深度迁移学习方法

在电动汽车和储能系统蓬勃发展的背景下，准确在线评估锂离子电池的健康状态（SOH）对于系统的安全高效运行具有关键作用。然而，面对低温环境、复杂充放电协议以及极其有限的早期训练数据时，传统估算方法的表现往往受到很大局限。针对这一难题，科研人员在论文《Deep transfer learning enabled online state-of-health estimation of lithium-ion batteries under small samples across different cathode materials, ambient temperature and charge-discharge protocols》中提出了一种基于自注意力机制的深度迁移学习（SDTL）框架。该方法的设计思路如以下系统架构图所示，首先在源域电池上进行充分的离线预训练，然后仅利用目标域新电池前10%的早期循环数据进行微调，从而在极少样本支持下实现对新电池整个生命周期的高效在线SOH评估与适应。

为了支撑模型的训练与全面验证，研究团队不仅采用了公开的电池数据集，还在实验室中搭建了专用的老化测试平台来获取多维度的电池性能退化数据。从下方的实验测试流程及数据采集图可以看出，该研究以2Ah的18650型NCM（镍钴锰）电池为实验对象，在24°C常温下设计了不同倍率的充放电循环测试。通过高精度的电池测试系统，实时记录了循环过程中的电压、电流和温度变化，完整展示了电池容量在不同放电倍率下的逐渐衰减过程，为算法在不同正极材料间的迁移性能评估提供了充足的实验数据支撑。

在电池实际运行过程中，其内部复杂的电化学反应和退化机制会直观地反映在外在的电信号曲线上。下方的图表详细展示了不同型号电池在不同工作温度和放电倍率下的退化特征曲线，包括容量衰减曲线、充电电压与电流随时间的变化趋势、放电电压的变化趋势以及增量容量（IC）曲线的漂移情况。可以观察到，随着循环次数的增加，电压和电流曲线明显向左平移，表明电池运行时间缩短，同时IC曲线的峰值也呈现出向右下方移动且高度降低的趋势，这些现象为提取反映电池退化的关键健康指示器提供了物理基础。

在特征工程阶段，从充电和放电的电压、电流及增量容量等原始曲线中，研究人员共提取了18个具有代表性的统计、电化学与动态特征健康指示器。为了筛选出与电池SOH相关性最强的输入特征，图中的皮尔逊相关系数热图与散点关系图直观展现了各指示器在不同温度和放电倍率条件下的相关性强弱。分析表明，虽然温度和倍率的改变会显著影响某些特征的关联度，但通过该筛选机制仍能找出在多种工况下均表现良好的特征组合，从而有效保证了输入模型数据的质量和计算效率。

在网络架构设计上，该研究采用了一种针对时间序列特征高度优化的自注意力深度神经网络。其具体的模型拓扑结构如以下结构图所示，输入特征首先通过嵌入层和位置编码，为无循环迭代的网络提供顺序信息，然后通过多头自注意力模块和层归一化等结构，从不同的子空间中学习退化序列的深层关联和长短期依赖关系。在迁移学习微调阶段，该网络的大部分特征提取层参数被冻结以保留源域中学到的通用退化知识，而仅对最后一层全连接层的参数进行更新，以此大幅降低了计算成本，满足了资源受限条件下的快速在线更新需求。

最后的实验结果和对比分析展示了该方案在解决不同工作环境和正极材料迁移问题上的可行性。如下面的评估结果和误差分布图所示，通过在多种NCA（镍钴铝）电池数据集上的测试，SDTL方法在预测精度、误差控制和模型稳定性方面均表现良好，即便在4°C等极低温度或2C大电流放电的高挑战性任务中，其预测轨迹依然能紧密贴合实际SOH曲线。该方法表现出较低的平均绝对误差和均方根误差，为未来电池管理系统实现更具鲁棒性与自适应性的健康监测提供了实用的思路。

参考文献：

Deep transfer learning enabled online state-of-health estimation of lithium-ion batteries under small samples across different cathode materials, ambient temperature and charge-discharge protocols[J]. Journal of Power Sources, 2025, 650: 237503.