基于复杂工作条件下的松弛电压的多模态可解释框架，用于电池剩余寿命（SOH）的估算

《Journal of Energy Storage》：Multi-modal interpretable framework for battery SOH estimation based on relaxation voltage under complex operating conditions

　　电池SOH多模态联合估计框架研究提出基于松弛电压的时间域统计与GAF纹理特征融合方法，结合多头注意力机制和在线ECM参数识别，实现高精度（MAE 0.45%）和强泛化能力（跨数据集MAE<1%）的SOH估计，并利用SHAP/LIME增强可解释性。

　　
电池健康状态（SOH）估计是新能源领域的关键研究方向，尤其在锂离子电池退化机理建模方面具有重要价值。当前研究存在两个主要痛点：其一，传统模型过度依赖实验室理想工况下的参数标定，难以适应实际场景中复杂的耦合退化机制；其二，现有数据驱动方法对特征工程依赖度较高，物理可解释性不足。针对这些问题，该研究提出了一套融合多模态特征与物理约束的SOH估计框架，在模型鲁棒性和可解释性方面取得突破性进展。

研究团队基于内蒙古科技大学数字智能学院联合实验室的28组松下NCA石墨电池样本构建实验体系，覆盖日历老化（24个月）、循环老化（2000次）以及两者的耦合作用场景。通过建立三维老化参数空间（容量衰减率、内阻增长率、电压偏移量），首次系统揭示了不同退化模式下电压松弛特性的空间分布规律。实验数据显示，在循环-日历耦合老化路径下，电压松弛曲线的相位偏移量较单一老化模式增大42%，这为多模态特征融合提供了理论依据。

在特征工程层面，研究创新性地构建了双通道特征提取系统。时域处理模块采用滑动窗口法提取电压曲线的8维统计特征，重点捕捉放电截止电压（2.5V）附近0.5秒的电压衰减梯度。这种设计可有效区分电极材料与电解液老化导致的差异效应。同时，将时域电压序列映射为二维GAF图像，通过角度场分析捕捉电压波形的时空关联特征。对比实验表明，GAF图像的纹理复杂度比原始电压波形提升约3倍，显著增强了对枝晶生长和SEI膜厚变等微观退化特征的表征能力。

模型架构采用双分支并行结构，电压特征分支使用改进的XGBoost模型处理时域数据，图像特征分支则部署轻量化Transformer网络。在特征融合层引入动态权重分配机制，通过实时计算各模态特征的相关系数矩阵，实现自适应加权融合。这种设计突破了传统多模态融合中固定权重分配的局限，在保持模型轻量化的同时，使特征融合精度提升27.6%。特别值得关注的是，研究团队开发了基于在线参数辨识的等效电路模型（ECM），通过实时估计两个关键动态参数——极化电阻（R_p）和欧姆损耗（R_0）——形成物理约束边界，有效解决了传统ECM模型在退化路径多样性下的参数漂移问题。

实验验证部分采用跨场景迁移学习策略，将训练集（含1200组不同老化路径的电压松弛数据）的模型性能迁移到三个独立测试集：1）梯次使用电池（Batt1: 0-80%容量；Batt2: 20-100%容量）；2）快充（1C）与慢充（0.2C）混合工况；3）温度梯度实验（15℃-35℃）。测试结果显示，在Batt2与快充混合工况下，模型仍保持0.68%的RMSE误差，较单一特征模型降低41%。这种鲁棒性主要得益于双通道特征互补机制：当电压梯度异常时（如电极活性物质脱落），GAF图像中的局部纹理突变能触发模型关注机制；而在电解液分解主导的退化阶段，时域统计特征通过动态权重机制获得更高优先级。

可解释性分析环节采用SHAP与LIME的联合诊断方法，发现三个关键特征对模型决策的贡献度存在显著场景依赖性。在日历老化主导的案例中，电压衰减梯度（VAG）和GAF图像中的熵值变化率贡献度分别达58%和37%；而在循环老化场景下，SEI膜厚变相关的GAF特征贡献度提升至52%，同时内阻波动特征的重要性下降至19%。这种动态特征权重分配机制，使模型在退化机制突变时仍能保持稳定输出。

工程应用验证部分包含三个典型场景测试：1）电动汽车电池组在-20℃至55℃环境下的实时监测；2）储能电站混合充放电模式下的健康评估；3）退役电池的二次寿命预测。测试数据显示，在极端温度（-20℃）和混合充放电（0.2C-1C交替）场景下，模型误差仅比标准实验室条件增加0.12%，验证了其工程适用性。研究特别强调，当电池处于深度放电（DoD＞90%）或过充（4.3V）状态时，物理约束模块通过实时更新ECM参数，可将模型误差控制在0.5%以内，较纯数据驱动方法提升2.3倍可靠性。

该研究的重要突破体现在三个方面：首先，构建了电压时域特征与GAF空间特征的双通道协同机制，解决了传统多模态方法中特征对齐困难的问题；其次，提出的在线参数辨识ECM模型，使物理约束与数据驱动方法形成闭环优化；最后，开发的特征贡献动态评估系统，可实时监测退化机制的转换，为电池健康管理提供决策支持。这些创新有效克服了现有方法在退化路径多样性（日历与循环耦合）、工况波动性（0.1C-2C电流范围）以及跨电池类型（NCA/LFP）应用中的局限性。

在技术路线设计上，研究团队采取分阶段递进策略：初期通过迁移学习解决目标数据稀缺问题，后期引入物理约束机制提升泛化能力。具体实施时，采用主动学习框架筛选关键退化特征，仅保留对模型贡献度＞15%的原始电压信号和图像特征。这种优化使模型在28组NCA电池上的训练数据仅需原始量的1/3，同时保持85%的跨电池类型迁移精度。

实验对比部分显示，与传统单模态方法相比，该框架在MAE指标上平均提升19.4%，在极端工况下的性能衰减率（ΔMAE/ΔCondition）降低62%。特别是在电压松弛曲线出现异常震荡（如电解液分解导致的周期性电压波动）时，双通道融合机制可使模型准确率回升至92%，较单一电压特征模型提升41%。这种鲁棒性源于多模态特征的空间互补性：时域特征对线性退化敏感，而GAF图像能捕捉局部高阶非线性特征。

研究团队还构建了多维度评估体系，包含三个层次验证：基础性能层（MAE/RMSE）、跨场景层（不同老化路径/充放电率）和极端条件层（高温/低温/过充过放）。特别设计的压力测试模块包含2000次不同退化路径的蒙特卡洛模拟，结果显示模型在退化机制组合（如循环+日历+热应力）下的表现仍优于传统方法。这些实验数据为电池健康管理提供了可量化的决策依据。

在工程部署方面，研究开发了嵌入式硬件加速模块，将模型推理时间压缩至200ms以内（处理单次电压松弛数据序列）。该模块采用FPGA+ARM异构计算架构，在保持模型精度的同时，能耗较通用GPU降低83%。实际部署测试表明，在2000次充放电循环中，模型性能衰减率仅为0.17%/100次循环，验证了其长期稳定运行的可行性。

未来研究方向方面，团队提出三个技术升级路径：1）构建退化机制知识图谱，实现SOH估计的主动学习优化；2）开发多物理场耦合模型，将热力学与电化学参数纳入统一分析框架；3）建立基于数字孪生的实时退化预测系统，将电池剩余寿命（BSSL）预测误差控制在5%以内。这些技术路线的提出，为电池全生命周期管理提供了新的技术范式。

该研究成果已获得多个国际电池制造商的技术验证，在宁德时代、比亚迪等企业的电池健康管理系统升级中取得显著效果。实际应用数据显示，在规模化储能电站（容量5MWh）中，该系统使电池更换周期从常规的3.2年延长至4.7年，同时将容量衰减预警准确率提升至98.2%。这些工程验证数据为新能源电池的规模化应用提供了重要技术支撑。

研究团队特别强调方法论的普适性价值。通过建立退化特征与物理参数的映射关系库（包含32类典型退化模式），该框架可扩展应用于磷酸铁锂（LFP）、三元材料（NCM）等多种电池体系。在跨材料迁移测试中，模型通过简单的特征适配模块（仅需增加5%计算量），即可将NCA电池的SOH估计能力迁移到LFP体系，验证了其技术平台的兼容性。

最后，研究团队揭示了电池退化过程中存在三个关键转折点：1）SEI膜首次不可逆膨胀（电压平台偏移＞0.05V）；2）正极材料结构崩塌（GAF图像熵值突变）；3）电解液分解引发界面阻抗剧增（时域特征梯度变化率＞0.8%/s）。这些发现为电池健康管理的时序分析提供了理论依据，使系统能够提前300-500次充放电循环预警容量衰减，较传统方法提前40-60%。

该研究不仅填补了多模态特征融合在电池SOH估计中的应用空白，更重要的是建立了"物理约束-数据驱动-可解释性"三位一体的技术框架。这种将电化学机理与机器学习深度结合的创新路径，为解决新能源电池大规模应用中的健康管理难题提供了可复制的技术范式。相关成果已申请发明专利5项，软件著作权2项，并在IEEE IoT Journal、Energy Storage Materials等权威期刊发表多篇系列论文，标志着我国在电池智能诊断领域达到国际领先水平。