提取领域知识特征以引导标签稀缺条件下的电池退化模式估计
《Journal of Energy Storage》:Extracting domain-informed features to guide battery degradation mode estimation under label-scarce conditions
【字体:
大
中
小
】
时间:2026年10月22日
来源:Journal of Energy Storage 10.7
编辑推荐:
•提出了一种领域知识引导的两阶段学习方法,用于电池退化模式估计。•从无标注充电曲线中提取增量容量(IC)峰值特征,作为中间监督来引导表征学习。•在极低标签比例下,利用常规充电曲线估计正极活性材料损失(LAMPE)、负极活性材料损失(LAMNE)和锂库存损失(LLI)。•所提出
•提出了一种领域知识引导的两阶段学习方法,用于电池退化模式估计。•从无标注充电曲线中提取增量容量(IC)峰值特征,作为中间监督来引导表征学习。•在极低标签比例下,利用常规充电曲线估计正极活性材料损失(LAMPE)、负极活性材料损失(LAMNE)和锂库存损失(LLI)。•所提出的方法提高了估计精度,并学习了更具秩序性的退化相关表征。
**引言**
锂离子电池(LIBs)被认为是电动汽车和大规模储能系统的重要电源,主要得益于其高比能量和高充放电效率[1]、[2]。然而,电池在长期循环和储存过程中的老化主要体现在容量衰减和内部阻抗增大[3]、[4]、[5]、[6]、[7]。这些退化现象进一步降低了电池系统的工作可靠性,并可能带来安全隐患。健康状态(SOH)描述了电池的整体退化水平,但关于容量损失在电极层面的成因,它所提供的信息有限[8]、[9]、[10]。锂离子电池退化涉及多种物理化学机制,包括固体电解质界面(SEI)生长、电极开裂、电解液分解、锂沉积和集流体腐蚀[11]。尽管这些机制在位置和退化路径上各不相同,但它们的共同效应通常通过三种主要退化模式来表征:正极活性材料损失(LAMPE)、负极活性材料损失(LAMNE)和锂库存损失(LLI)[12]。与SOH相比,退化模式可以提供更细粒度、更具机理解释性的电极层面退化信息[13]、[14]。因此,准确的退化模式估计对于精细化的电池健康诊断和管理具有重要意义。
然而,退化模式难以从常规电池运行数据中直接获得。内部退化可以通过尸检或非原位方法表征,例如使用扫描电镜/透射电镜(SEM/TEM)观察电极形貌、能量色散X射线光谱/X射线光电子能谱(EDS/XPS)分析表面成分,以及X射线衍射(XRD)鉴定结构变化[15]、[16]、[17]、[18]。尽管这些方法提供了直接的材料层面证据,但它们具有破坏性、成本高,且不适用于在线诊断或大规模循环级别的退化模式标注。对于数据驱动的退化模式估计,LAMPE、LAMNE和LLI通常通过低倍率伪开路电压(OCV)测试结合半电池模型辨识来获得[19]、[20]、[21]。这些诊断测试耗时长,在正常运行过程中无法频繁进行。因此,高质量的退化模式标签通常十分稀缺,特别是在低至10%的极低标签比例条件下。相比之下,常规1C充电Q(V)曲线更容易采集,且包含与老化相关的形态信息,尽管它们不直接提供退化模式标签[22]、[23]、[24]。
近年来,电池SOH估计和退化诊断日益受益于数据驱动方法,这些方法从可测量的运行数据中学习老化相关表征[4]、[25]。Tian等人[22]使用卷积神经网络(CNN)从短期1C充电数据估计电池容量,而Han等人[26]从神经网络拟合的充电曲线中提取与电压平台和相变反应相关的容量特征。然而,将这些数据驱动建模方法直接应用于退化模式回归仍具挑战性。首先,1C充电曲线不同于低倍率伪OCV曲线,因为前者受到欧姆降、极化和传质动力学的影响[27]。其次,全电池Q(V)曲线及其IC/微分电压(DV)特征由正负极反应共同决定。当多种退化过程共存时,不同的退化模式可能产生重叠或相似的曲线响应[12]、[28]、[29]。最后,由于电极容量冗余,在电池寿命早期,部分活性材料损失可能不会立即导致明显的全电池容量衰减[30]。先前的研究引入了老化信息特征用于退化模式估计,包括基于电化学阻抗谱(EIS)的阻抗特征[31]、OCV曲线容量差[29]和IC曲线图像[32]。尽管这些特征可以提高退化模式识别能力,但它们通常需要额外的诊断测试或特征构建过程。
为缓解退化模式标签稀缺的问题,现有研究主要从两个方向展开:合成数据生成和标签高效学习。合成数据生成依赖仿真模型产生带有退化模式标签的数据,并进一步结合数据驱动方法建立可测量信号与退化模式之间的映射关系[33]、[34]、[35]。例如,Thelen等人[36]、[37]使用半电池模型生成模拟的dQ/dV数据,用于电极级别的退化状态预测。Chen等人[38]使用单颗粒电解液模型(SPMe)产生大规模合成老化数据,以支持退化模式估计。Hofmann等人[39]、[40]将半电池建模、合成数据和迁移学习相结合,用于OCV重建和退化模式估计。Sun等人[41]开发了基于COMSOL的机理阻抗模型,用于生成不同退化模式组合下的合成阻抗谱。总体而言,合成数据生成为补充退化模式标签提供了一条重要途径。
另一方面,为减少对大量标注样本的依赖,标签高效学习策略逐渐受到关注[42]。Zhang等人[43]通过标签传播和置信度加权训练生成伪剩余使用寿命(RUL)标签。Xu等人[44]利用少量容量校准点和领域知识,从退役电池运行数据中恢复容量标签。Tang等人[45]从无寿命标签的Q(V)曲线中导出IC峰值特征,并将其用于引导神经网络训练,实现标签高效的RUL和膝点周期数(CTK)预测。然而,这些研究主要关注宏观健康或寿命相关目标,如容量、SOH、RUL和CTK。它们对退化模式估计的适用性尚未得到充分探索。由于退化模式描述的是内部电极层面的退化状态,其估计不仅需要高效利用有限标签,还需要与电极退化相关的辅助信息。因此,有必要开发一种标签高效的退化模式估计框架,从真实充电曲线中挖掘退化相关的领域知识。
为进一步阐明研究动机和研究空白,图1总结了退化模式估计中的关键挑战以及应对退化模式标签稀缺的代表性策略。在合成数据生成和现有标签高效学习方法的基础上,本研究侧重于从真实常规充电曲线中挖掘退化相关的领域知识。具体而言,提出DK-CNN方法,在有限的退化模式标签条件下,从常规1C Q(V)曲线中估计LAMPE、LAMNE和LLI。从这些曲线中提取的IC峰值特征并不直接作为监督回归的手工设计输入,而是作为预训练阶段的中间监督目标,引导CNN从完整的Q(V)波形中学习退化敏感的表征。通过这种方式,大量无退化模式标签的充电曲线可以在微调之前为表征学习做出贡献,随后再使用有限的高质量退化模式标签进行微调。所提出的方法在不同标签比例和数据集下进行了评估,结果表明DK-CNN相较于传统的直接监督模型能够实现更稳定的退化模式估计,尤其在低标签条件下。
本研究的主要贡献总结如下:(1) 提出了一种DK-CNN框架,用于在极低标签比例下进行退化模式估计。该框架以常规1C充电Q(V)曲线为输入,直接估计LAMPE、LAMNE和LLI,为充电数据丰富但退化模式标签仅在极低比例下可用的场景提供了一种退化模式估计方法;(2) 引入IC峰值特征作为中间领域知识,引导模型从无标注的常规Q(V)曲线中学习退化相关表征,从而增强无标注充电数据对退化模式估计的利用效率;(3) 在不同标签比例、代表性基线模型和额外验证数据集上评估了所提框架的有效性。特征空间分析进一步表明,基于IC峰值的预训练有助于形成更具秩序性的退化相关表征,为DK-CNN估计性能的改善提供了额外证据。
本文其余部分组织如下。第2节介绍所提出的DK-CNN方法。第3节描述数据集和实验设置。第4节呈现实验结果和讨论。第5节总结主要结论。
**问题描述和所提方法概述**
锂离子电池的容量衰减和电极退化通常可以通过几个具有物理意义的退化模式来表征。本研究重点关注三种主导退化指标:LAMPE、LAMNE和LLI。这些量分别描述了正负极电化学活性材料的损失以及循环过程中可循环锂的损失,从而反映电池的内部退化状态。
为实现电池退化的连续估计……
**数据集描述**
电池退化不仅受材料体系的影响,还与充放电倍率、温度和工作条件密切相关。为验证所提方法在不同老化条件下的适用性,使用了两个公开的电池老化数据集进行模型开发和验证。
数据集#1是公开的牛津电池老化数据集[46]。该数据集包含八只Kokam软包锂离子电池,标称容量约为0.74 Ah。这些电芯具有……
**结果与讨论**
本节从四个方面评估所提DK-CNN方法的有效性:估计性能、特征表征、与代表性方法的对比以及在独立数据集上的验证。首先,在数据集#1上不同标签比例下评估所提方法的估计性能,以直接监督的CNN作为基线模型。该基线模型以Q(V)序列为输入,直接预测退化模式。其次……
**结论**
本研究开发了一种领域知识引导的CNN框架DK-CNN,用于从常规充电Q(V)曲线中对锂离子电池进行标签高效的退化模式估计。通过利用IC峰值特征作为中间监督,DK-CNN在微调之前先学习了退化相关表征,随后使用少量退化模式标签进行微调。实验结果表明,所提方法在不同标签比例下均实现了稳定的估计性能,并有效缓解了退化模式标签稀缺的问题。
**CRediT作者贡献声明**
唐爱华:写作——审阅与编辑,写作——初稿撰写,可视化,方法论。赵子淇:写作——初稿撰写,软件,方法论。胡明辉:监督,资源,形式化分析。康哲:监督,调查,形式化分析。庞建西:监督,资源,形式化分析。罗超文:验证,调查,形式化分析。张革:验证,监督,形式化分析。于全清:写作——审阅与编辑,可视化,验证。
**利益冲突声明**
作者声明不存在可能影响本文所报告工作的竞争性经济利益或个人关系。
**致谢**
本研究由中国国家自然科学基金(基金号:52277213)、中国重庆市教委科学技术研究重点项目(基金号:KJZD-K202301108)、重庆市研究生科研创新项目(基金号:CYS260815)和山东省自然科学基金(基金号:ZR2025MS715)共同资助。
唐爱华 | 赵子淇 | 胡明辉 | 康哲 | 庞建西 | 罗超文 | 张革 | 于全清
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号