基于细粒度子域对齐和特征分组的跨域SOH估计方法，用于锂离子电池的预测，该方法采用补丁时间序列CNN-Transformer网络

《IEEE Transactions on Power Electronics》：Fine-Grained Subdomain Alignment and Feature Grouping Based Cross-Domain SOH Estimation for Lithium-Ion Batteries Using a Patch Time Series CNN-Transformer Network

　　电池跨域健康状态估计中，本文提出FCSA-PatchTSCT框架，通过模糊聚类实现局部领域对齐，分块时间序列结构增强局部时序特征提取，并采用皮尔逊相关系数引导的特征分组机制抑制异质性干扰，有效提升有限数据条件下的模型泛化能力与知识迁移效果。

　　

摘要：

电池健康状态（SOH）的估算在确保锂离子电池的安全、可靠和高效管理中起着关键作用。然而，由于领域差异和标记目标数据不足，数据驱动模型的性能在跨领域场景中往往会下降。为了解决这些挑战，我们提出了一个新颖的框架——模糊聚类子域适应补丁时间序列卷积神经网络-变换器（FCSA-PatchTSCT），用于跨领域SOH估算。该框架独特地结合了使用模糊聚类局部最大均值差异（FCLMMD）的细粒度子域对齐策略，以实现精确的局部知识转移；基于补丁的网络结构（PatchTSCT）用于增强局部时间特征提取；以及基于皮尔逊相关性的均匀特征分组机制，以减轻来自变量异质性的干扰。通过更细致地处理时间特征变化和领域差异，该框架提升了模型的泛化能力。即使在数据有限或来自不完整充电周期的情况下，该框架在向目标电池转移知识方面也表现出色。在包括实际部分充电条件在内的多种跨领域迁移任务中的全面评估表明，FCSA-PatchTSCT具有更高的准确性和稳定性。这些结果凸显了其在实际电池管理系统中进行稳健SOH估算的巨大潜力。