《Batteries》:Neural Architectures and Learning Strategies for State-of-Health Estimation of Lithium-Ion Batteries: A Critical Review
Tai Duc Le,
Jin-Hyeok Park and
Moo-Yeon Lee
准确的健康状态(SOH)估算是锂离子电池(LIBs)在电动汽车和储能系统中安全、可靠且经济高效运行的基石。近年来,人工智能技术的快速发展导致基于神经网络的SOH估计方法被广泛采用,与传统基于模型的方法相比,这些方法具有强大的非线性建模能力和改进的适应性。然而,神经架构和学习策略日益多样化导致了碎片化发展和不一致的评估,阻碍了其实际部署。本文对2024年至2025年间最新的基于神经网络的LIB SOH估计代表性研究进行了批判性和系统性综述。引入了一个统一的分类法来区分神经架构和学习策略。神经架构包括人工神经网络(ANN)、卷积和循环网络、基于注意力的模型、Transformer(变换器)和物理信息神经网络(PINN)。学习策略包括迁移学习(TL)、物理约束/物理信息学习(PCML/PIML)、面向鲁棒性的训练和效率感知设计。从建模能力、跨操作条件和化学体系的泛化能力、数据效率、可解释性和在电池管理系统(BMS)中的可部署性方面分析了所综述的方法。关键挑战包括非线性退化、退化多样性、数据稀缺和有限的可观测性,并进行了批判性审查。强调了架构-策略协同设计在解决这些问题中的作用。最后,讨论了开放的研究方向和实际建议,以指导可靠、可扩展且物理一致的SOH估计框架的开发。本综述为寻求将数据驱动的电池健康监测推进到实际应用的研究人员和从业人员提供了结构化的参考。
论文主体部分总结如下:
**1. Introduction**
该部分首先指出气候变化与全球变暖的严峻挑战,强调交通运输行业是二氧化碳(CO
2)排放的主要来源,而电动汽车(EVs)作为低碳替代方案,依赖锂离子电池(LIBs)作为核心储能技术。准确的健康状态(SOH)估计是电池管理系统(BMS)的基础功能,直接影响运行安全、寿命优化及二次利用决策。然而,实际SOH估计面临非线性退化、退化多样性、数据稀缺和有限可观测性等挑战。传统基于模型的方法(如等效电路模型ECM)虽具物理可解释性,但难以捕捉复杂退化动态;纯数据驱动方法虽在受控条件下表现优异,但泛化能力差、对数据依赖高。近年来,混合和物理信息学习框架兴起,旨在结合神经网络的灵活性与物理知识的稳健性。现有综述存在以下局限:未能细粒度区分现代神经架构(如循环网络、注意力机制、Transformer等),对学习策略(如迁移学习、鲁棒性训练等)关注不足,对物理信息方法的处理较粗糙,缺乏统一的分类框架。本文因此提出双轴视角,系统综述神经架构与学习策略的协同设计,强调实际部署中的非平稳退化、容量再生、部分数据等挑战,旨在为可靠、可泛化且可部署的SOH估计提供参考。
**2. Battery SOH Overview and Fundamentals of SOH Estimation**
**2.1. Definitions of SOH**
SOH通常从容量或内阻角度定义。容量型SOH(Capacitance-based SOH)以当前可用容量与初始容量之比量化,直接反映可循环锂和活性材料的损失;内阻型SOH(Resistance-based SOH)以内阻增加衡量退化,受固体电解质界面(SEI)层生长、电极退化等机制影响。此外,功率能力也是SOH的一个性能视角。尽管这些定义物理上清晰,但在正常运行中不可直接测量,需通过电压、电流、温度等可观测信号间接推断,从而驱动数据驱动、物理信息及混合学习方法的发展。
**2.2. Data Sources for SOH Estimation**
**2.2.1. Cycling Data**
充放电循环数据包括电压、电流、温度等信号。电压响应随退化而演变,极化增加和斜率变陡;温度直接影响退化反应速率,高温加速SEI生长,低温导致锂枝晶。容量衰减和内阻增长是核心健康指标。实验室全周期数据有利于特征提取,但实际BMS常依赖部分充电段,对特征提取和模型泛化提出更高要求。
**2.2.2. Electrochemical Impedance Spectroscopy (EIS)**
EIS通过频率响应分析电池内部电化学动力学,测量不同频率下的阻抗,可量化欧姆电阻、电荷转移电阻、SEI形成等。因测量时间长、对温度和荷电状态(SOC)敏感,难以在线应用,常与数据驱动或混合建模结合。
**2.2.3. Incremental Capacity (IC) and Differential Voltage (DV) Analysis**
IC和DV分析通过微商变换增强电压平台变化,突出退化特征。随SOH下降,IC峰值偏移、展宽或降低,反映锂库存损失和活性材料损失。IC/DV分析需准恒流条件,对噪声敏感,常需滤波和峰值提取,已与数据驱动方法结合。
**2.2.4. Onboard BMS Signals**
BMS测量的电压、电流、温度是实际应用中最易获得的数据源。可提取充放电时长、电压变化率、累积容量等衍生特征。充电数据(尤其恒流段)比放电数据更稳定,常被优先使用。但实际数据存在部分性、不规则性、噪声和不可观测性,推动先进神经架构和学习策略的应用。
**2.3. Key Challenges: Nonlinearity, Degradation Diversity, and Data Scarcity**
**2.3.1. Nonlinear Degradation Behavior**
电池退化表现出高度非线性和非平稳性,退化速率随寿命推移而变化,早期、中期和后期主导机理不同,导致单一模型难以在整个寿命周期保持有效。
**2.3.2. Degradation Diversity and Operating-Condition Dependency**
退化轨迹受温度、充放电倍率、放电深度、电压窗口等操作条件强烈影响,不同电池间存在固有变异性,模型在未见过的运行条件下性能下降。
**2.3.3. Data Scarcity and Labeling Limitations**
全寿命退化数据成本高、获取难,实际数据可能不完整或有噪声;真实SOH标签需参考性能测试,增加实验负担。数据集常缺乏后期行为,样本不均衡,容易过拟合,降低模型鲁棒性。
**3. Neural Architectures and Learning Strategies Overview**
**3.1. Neural Architectures**
**3.1.1. Artificial Neural Networks (ANNs)**
ANNs由输入层、隐藏层和输出层组成,通过非线性激活函数映射输入到输出,具备非线性逼近能力。在SOH估计中,可建模电压、电流等信号与SOH的复杂关系,但缺乏对时序依赖的显式捕捉,依赖特征工程,在分布偏移下泛化能力有限。
**3.1.2. Convolutional Neural Networks (CNNs)**
CNNs包含卷积层、池化层和全连接层,能提取局部特征。一维CNN(1D-CNN)适合处理电池时间序列数据,捕获电压平台偏移、极化效应等局部模式,可减少对手动特征依赖,但难以捕获长期退化趋势,常与循环或注意力模块结合。
**3.1.3. Recurrent Neural Networks (RNNs)**
RNNs通过隐藏状态传递序列信息,适合建模时序退化。但传统RNN面临梯度消失/爆炸问题,长序列学习困难。因此,长短期记忆网络(LSTM)和门控循环单元(GRU)成为主要递归架构,能改善梯度流动,更有效捕获长期依赖。
**3.1.4. Physics-Informed Neural Networks (PINNs)**
PINNs将物理知识(微分方程、物理定律)作为约束或正则项融入训练,旨在提高物理合理性、可解释性和泛化能力。在SOH估计中,可应用退化模型或结构化残差约束,但有效性高度依赖物理约束的正确性,错误假设会引入偏差,且联合优化可能引起数值刚性和稳定性问题。
**3.2. Learning Strategies**
**3.2.1. Transfer Learning (TL)**
迁移学习通过源域知识(如预训练模型参数)迁移到目标域,减少目标域数据需求,加快收敛。在电池SOH估计中,可跨电池、化学体系、温度等场景迁移,有效缓解数据稀缺问题。
**3.2.2. Physics-Constrained and Physics-Informed Machine Learning (PCML/PIML)**
PCML通过硬约束(如物理引导损失函数)强制模型满足物理原理;PIML则通过软正则化鼓励物理一致性。两者可视为统一物理引导学习范式的互补策略,分类包括:物理引导数据或特征空间操作、物理启发架构设计、物理约束/信息损失函数、以及混合物理-机器学习模型。后者在SOH估计中尤为吸引人,可同时利用物理模型和神经网络优势,但其效果依赖物理假设的正确性和约束设计,需进行消融实验和压力测试。
**4. Review of Neural Architectures and Learning Strategies for SOH Estimation**
**4.1. Sequential Deep Learning Architectures**
该部分综述了从CNN-RNN混合模型到鲁棒性更强、数据效率更高的变体。典型研究包括:比较四种CNN-LSTM集成策略(标准、串联、并行、衰减),发现标准CNN-LSTM结构表现最佳(均方根误差RMSE<0.008,决定系数R
2>0.99);基于扩展长短期记忆(xLSTM)的框架通过物理信息特征工程(增量容量IC曲线)和Spearman相关性筛选,在多种快充策略下取得平均绝对百分比误差MAPE 0.20%、R
2 0.997;双重降维与特征权重集成迁移学习框架(DDRFW-TL)结合LSTM和最大均值差异(MMD)域适应,仅用20个目标样本即获得RMSE 0.7-1.5%的性能;基于补丁学习(PL)的模型将全局GRU与CNN-BiLSTM局部校正结合,限制输入为恒流充电电压特性,RMSE低于0.72%;多尺度卷积注意力(MCA)和残差学习增强CNN,在有限样本下RMSE 0.55%;Kolmogorov-Arnold网络(KAN)与RNN混合,利用恒压(CV)阶段特征,平均RMSE<0.5%;半监督协同训练框架(ELM与Bi-GRU互伪标签交换,仅10%标记数据);安全感知框架结合LOF-RANSAC数据清洗与CNN-BiLSTM-Attention,抵抗虚假数据注入攻击(FDIA);跨域估计框架结合CNN-BiLSTM-Attention与相似性网络融合(SNF),在数据稀缺时保持鲁棒性;CNN-LSTM结合迁移学习,仅用20%目标域数据使MAE降低21.4%;鲸鱼优化算法(EWOA)优化CNN-BiLSTM-Attention,在50%不完整充电下R
2仍高于0.96;注意力-CNN-LSTM组合神经常微分方程(ANODE)建模退化连续过程;改进门控循环单元(GRU)经鲸鱼优化算法(WOA)优化,仅用15%寿命周期数据RMSE 0.189%;自适应遗传算法优化Elman神经网络(AGA-Elman),基于增量容量分析(ICA),50%数据训练时RMSE<2.43%;二维卷积与双向长短期记忆结合格拉姆角场(GAF)技术;CNN-SAM-LSTM混合网络同时估计SOC、SOE、SOH,引入同方差不确定性加权损失;特征融合驱动框架融合多维健康指标和时间卷积网络(TCN)-BiGRU,配合白鲸优化(BWO)算法,RMSE 0.32%。这些模型在受控条件下有效,但对数据分布和运行条件敏感。
**4.2. Attention-Based and Transformer Architectures**
注意力机制和Transformer模型通过自适应特征加权和长距离依赖建模提升性能。代表性工作包括:轻量级多尺度动态卷积(MSDC)与增强保留网络(RetNet)结合,复杂度O(n),在NASA和CALCE数据集上RMSE约0.0069,R
2约0.9986,延迟、FLOPs和内存满足汽车BMS限制;多级特征融合框架(MR-MLP)与LSTM-Transformer混合,在短时工作条件下RMSE<0.5%;迁移学习增强的LSTM-多头差分注意力(MHDA)-iTransformer,联合估计SOH和SOC;混合架构集成扩张残差去噪卷积(DRDC)、旋转位置编码(RoPE)、Transformer和通道注意力;物理信息Transformer(PI-TNet)嵌入Verhulst退化模型,RMSE低至0.00223;变分模态分解(VMD)-CNN-Transformer框架处理容量再生,仅用5-6%早期数据实现全寿命预测;分段隐马尔可夫模型(SHMM)-Transformer-BiGRU处理非平稳退化与特征冗余;CNN-Transformer框架结合测试时训练(TTT),在真实电动汽车数据集上MAE 0.0029-0.0036。报告的高精度需结合输入序列长度(n)和设备计算成本解释,RetNet因线性复杂度而具实用优势。
**4.3. Physics-Informed and Hybrid Neural Architectures**
物理信息方法提升可解释性和泛化性。研究包括:物理混合神经网络(PIHNN)整合多物理场电化学-热-机械-副反应(ETMS)模型与CNN-GRU-Attention,膜内阻作为健康指标,RMSE<0.5%;极化平衡分析结合自适应采样深度神经网络(ASDNN),将充电数据转换为电压-差分电压空间,推理延迟仅0.0117 ms;统一物理信息PBSID-Transformer框架,基于降阶电化学模型和预测器子空间识别(PBSID),RMSE 0.34-0.38%;通用物理信息神经网络(PINN-LTB)利用部分充电段,Lasso回归选择特征,RMSE<0.6%;双分支PINN集成SEI膜生长动力学(使用通用微分方程UDE),MAPE约0.97%;时间序列物理信息神经网络(TS-PINN)结合LSTM和偏微分方程(PDE)约束,MAPE 0.35-1.22%;物理约束机器学习(PCML)嵌入二阶RC等效电路模型,参数识别与SOH推断结合;物理信息多任务框架(CGC-PINN)同时估计SOH、剩余寿命(RUL)和短期退化路径;半经验物理信息神经网络(SPINN)嵌入Logistic与Arrhenius退化模型,10%训练数据下RMSPE<0.65%;轻量级两阶段物理信息神经网络(TSPINN)融合ECM参数与IC特征,MAE 0.68%;可迁移多状态估计框架通过稀疏电化学参数重构伪参数轨迹;端到端框架将任意长度电流-电压-温度时间序列转换为3D直方图表示,使用3D CNN处理不规则数据,RMSE 0.0445。
**4.4. Probabilistic, Classical ML, and Feature-Centric Models**
该类方法强调可解释性、统计严谨性和数据效率。系统比较了支持向量回归(SVR)、高斯过程回归(GPR)、前馈神经网络(FFNN)和自适应神经模糊推理系统(ANFIS),发现SVR最稳健,ANFIS在优化下RMSE 0.15%;基于放电电压曲线拟合的混合框架(FNN和GPR),SOH MAE 0.06%;两阶段概率框架(CGMM-RNN)结合条件高斯混合模型与GRU,SOH误差<1%;标准化的交叉电池评估协议比较了极端梯度提升(XGBoost)、随机森林(RF)和支持向量机(SVM),XGBoost最优(MAE 0.016);三阶段跨材料框架结合最大均值差异(MMD)和简化混合域适应(SMDA),仅用1-5%标记数据,RMSE 0.75%。
**4.5. Decomposition, Non-Stationarity, and Robust Learning**
针对非平稳性和容量再生,方法包括:完全自适应噪声集合经验模态分解(CEEMDAN)与改进麻雀搜索算法(ISSA)优化Transformer,RMSE 0.0041;经验模态分解(EMD)将SOH分解为全局趋势和局部波动,分别用SVR和注意力特征相似性(AFS)建模;相关感知多尺度CNN(MSFF-CNN)通过自适应核选择捕捉多时间尺度退化;首次系统研究对抗攻击与防御,证明精心设计的扰动可使RMSE增大11.4倍,对抗训练(ATRCN)将最坏情况RMSE从0.2445降至0.037;车辆-云端协同框架结合CNN-LSTM-Self-Attention与双指数衰减经验模型,经卡尔曼滤波(KF)融合,MAE 0.019。
**4.6. Emerging and Non-Conventional Architectures**
新兴方法探索替代传感模态和前沿计算:超声辅助物理信息深度学习,融合飞行时间、回波幅度等特征,SOH RMSE 0.0015;基于电化学阻抗谱(EIS)的CNN-注意力混合模型,利用全频谱特征,MAE<0.49%;神经架构搜索(NAS)方法(NSGA-Net)自动设计高精度或低复杂度架构;量子卷积神经网络(QCNN)结合变分量子电路,在四个数据集上RMSE低至0.67%。
**5. Synthesis, Critical Assessment and Design Guidelines**
**5.1. Synthesis of Reviewed Architectures and Learning Strategies**
综述总结从纯数据驱动向物理驱动、鲁棒且可部署框架的演进。早期RNN/CNN-RNN在受控条件下有效,但数据稀缺和跨域部署时性能下降。注意力/Transformer增强长程依赖,但增加复杂度。物理信息方法提升可解释性和数据效率,但依赖物理假设正确性。概率方法和经典机器学习在数据受限场景中具竞争力。鲁棒性策略(分解、对抗防御、协同学习)缩小实验室与实况差距。新兴方法扩展方法学,但成熟度有限。提出实际建议:架构选择应匹配数据和部署需求;物理引导应作为核心设计原则;评估需联合考虑不确定性、鲁棒性、效率和延迟;标准化基准和可重复性需加强;新兴方法需在真实约束下评估。
**5.2. Critical Interpretation of Reported Accuracy for Practical BMS Deployment**
许多研究在实验室受控条件下报告低RMSE/MAE和高R
2,但实际BMS依赖部分、不规则数据,准确度可能被高估。数据泄露(随机划分样本或循环)导致高估泛化性能。应进行留一电池测试、留一条件测试、跨数据集/化学系传输测试、寿命阶段误差分析和不确定性量化以提升可比性。BMS准备度需综合准确度、鲁棒性、泛化性和计算可行性。
**5.3. Architectural Complexity, Generalization and Embedded Deployability**
复杂架构(如CNN-LSTM、xLSTM)并非总能带来更好性能,甚至可能因训练不稳定或过参数化而变差。复杂度仅在证明跨条件鲁棒性时合理(如xLSTM保持高精度)。效率感知设计(如RetNet)实现线性复杂度和嵌入式兼容性。应基于准确度-复杂度帕累托前沿而非单纯准确度评估。
**5.4. Failure Modes and Negative Cases in SOH Learning**
常见失败模式包括:数据泄露导致过度乐观指标;分布偏移导致准确度陡降;晚期和寿命终止(EOL)数据稀缺导致误差放大;容量再生破坏单调退化假设;过参数化模型性能不如简单基线;物理信息方法因错误约束引入偏差或数值刚性。需强调严格验证和负面案例报告。
**5.5. Decision-Oriented Design Guidelines for Practical SOH Estimation**
将文献综合为决策导向框架,提供在不同实际约束下的架构-策略选择建议(见表3,此处不列出表格),兼顾鲁棒性、数据效率、计算成本和可部署性。
**5.6. Author Perspectives and Outlook**
作者认为未来进步取决于部署导向的严格性和鲁棒性,而非增量式架构创新。需标准化基准(电池独立验证、跨条件测试、不确定性报告、计算成本披露);优先解决分布偏移泛化;物理信息方法应强调自适应或弱约束;效率感知设计将日益重要;应整合不确定性量化、可解释性和安全评估。
**6. Conclusions**
综述系统批判性综合了锂离子电池健康状态估计的神经架构与学习策略,展示了从纯数据驱动向注意力、物理信息和混合框架的演进。深度学习虽在受控条件下实现高精度,但实际适用性取决于对非平稳退化、数据不规则性和跨域场景的鲁棒性。集成物理知识、不确定性意识和效率感知设计对弥合实验室与BMS应用差距至关重要。未来研究应优先考虑神经架构、学习策略和物理约束的协同设计,辅以标准化评估协议和实际部署考虑,以实现可靠、可信且可扩展的电池健康监测方案。