《Energy Conversion and Management-X》：Deep learning–driven cell-to-vehicle transfer of differential voltage and incremental capacity features for electric vehicle battery state-of-health diagnostics
编辑推荐：
本文針對電動車電池健康狀態（SOH）診斷面臨的實驗室單體數據難以遷移至實際整車場景、傳統電化學分析方法在快速充電與部分充電條件下可靠性降低、以及可解釋深度學習模型缺乏等三大挑戰，提出了一個深度融合差分電壓分析（DVA）/增量容量分析（ICA）電化學特徵與混合CNN–LSTM–ViT架構的遷移學習框架。該Cell-to-Vehicle（C2V）方法在單體與整車級別分別實現了RMSE為0.012和0.019、R2為0.987和0.978的優異預測性能，相比現有基準方法誤差降低45%–55%，並能將電池循環壽命預計延長35%，降低全生命周期CO2排放10%，有力推動了符合聯合國可持續發展目標7（SDG 7）的電動交通發展。
隨著全球邁向可持續交通，電動汽車的普及已成必然。然而，其心臟——動力電池的壽命與健康狀態是決定用戶信心、使用成本及環境影響的關鍵。電池會隨著使用逐漸老化，準確評估其健康狀態（State of Health， SOH）和剩餘壽命對於確保安全、優化充電策略、延長使用壽命乃至規劃電池的“第二生命”至關重要。傳統的診斷方法，如增量容量分析（Incremental Capacity Analysis, ICA）和差分電壓分析（Differential Voltage Analysis, DVA），雖能提供直觀的電化學老化機理解釋，但它們通常在受控的實驗室環境（如低倍率、完整充放電循環）下表現良好。現實中的電動車使用場景充滿挑戰：快速充電、部分充電、溫度波動以及傳感器噪聲，會使得ICA/DVA的特徵峰值模糊不清，導致診斷可靠性下降。另一方面，純粹依賴數據驅動的深度學習模型雖然能從復雜數據中學習模式，但往往缺乏物理可解釋性，並且很難將在特定電池單體上訓練好的模型，直接應用到結構更復雜、工況更復雜的整車電池包上，這種從“單體”到“整車”的領域遷移（Domain Shift）是當前電池健康管理面臨的核心瓶頸。為此，研究人員提出了一個創新的解決方案。
在最新發表於《Energy Conversion and Management: X》的論文中，來自孟加拉國國際商業農業科技大學的研究團隊提出了一種深度學習驅動的“單體到整車”（Cell-to-Vehicle， C2V）遷移學習框架。該研究的核心目標是構建一個既能保留電化學可解釋性，又能在真實車輛環境中保持高魯棒性和準確性的電池健康診斷系統。其背後的邏輯是：實驗室擁有大量標註精準的電池單體老化數據，而實車運行的電池包數據雖然稀缺且標註困難，但其內在的電化學老化機理是相通的。如果能將從單體數據中學到的、基於ICA/DVA的“知識”有效遷移到整車領域，就能用較少的實車數據實現高精度診斷。
為了實現這一目標，研究團隊設計了一個精巧的混合深度學習架構。他們沒有簡單地將原始電壓電流信號餵給神經網絡，而是首先從充放電數據中提取出能反映電池內部狀態的ICA（dQ/dV）和DVA（dV/dQ）特徵曲線，這些特徵曲線上的峰值、形狀和位移與具體的衰退機制（如鋰庫存損失、活性材料損耗）直接相關。然後，他們構建了一個CNN-LSTM-Vision Transformer（ViT）的混合模型來處理這些特徵：卷積神經網絡（CNN）負責捕捉ICA/DVA曲線的局部形態特徵（如峰值形狀）；長短期記憶網絡（LSTM）擅長建模電池隨循環次數增加的長期衰退動態；而視覺變換器（ViT）則通過其自注意力機制，捕捉整個電壓-容量範圍內特徵之間的全局關聯，這對於理解在部分充電或噪聲數據下可能被割裂的電化學關聯至關重要。最後，也是最關鍵的一步，他們引入了C2V遷移學習機制：首先在豐富的實驗室單體數據上預訓練整個模型，使其學到普適的電化學特徵與健康狀態的映射關係；然後，在遷移到整車數據時，凍結CNN底層（保留基本的特徵提取能力），僅對上層的LSTM、ViT及回歸頭進行微調，並使用最大均值差異（Maximum Mean Discrepancy, MMD）損失來對齊單體與整車數據在特徵空間中的分佈，從而大幅降低對昂貴的整車標註數據的需求（約減少70%）。
研究團隊在NASA公開電池數據集和真實電動車隊數據上驗證了該框架的有效性。結果表明，他們提出的方法在單體和整車級別均取得了卓越的預測性能。
3.1 架構概述
提出的診斷框架由三個緊密集成的模塊組成：首先，從原始電壓-電流數據中提取DVA和ICA特徵；其次，通過混合CNN-LSTM-ViT架構共同學習空間、時間和全局依賴關係；最後，通過C2V遷移學習階段，使用有限的整車標註數據對預訓練的網絡進行微調，實現高效的跨領域泛化。
3.2 差分電壓與增量容量分析
DVA和ICA是理解鋰離子電池衰退機理的基石電化學技術。通過計算電壓對容量的微分（dV/dQ）和容量對電壓的微分（dQ/dV），可以揭示電池內部的相變、活性材料損失和阻抗增長。研究中對這些信號進行了平滑、歸一化和分段處理，以生成適合深度學習模型輸入的統一時間向量。
3.3 提出的架構
提出的混合CNN-LSTM-ViT架構共同捕捉電動車電池衰退數據中的空間、時間和全局依賴關係。一維CNN層從DVA/ICA特徵中提取局部模式，LSTM單元對長期的衰退趨勢進行建模，而ViT模塊則通過自注意力機制學習整個特徵圖上的全局關聯，從而實現對健康狀態和容量衰減率的精確預測，並在不同操作域間具有強大的泛化能力。
3.4 面向單體到整車適應的遷移學習
提出的C2V遷移學習機制使原本在實驗室單體數據集上優化的深度模型，能夠有效地泛化到以有限、噪聲和異構數據為特徵的整車電池包條件。具體而言，凍結CNN的低層卷積層以保留從DVA和ICA模式中學到的基本電化學特徵表示，同時使用少量標註的整車數據對高層的循環和變換器層（LSTM和ViT）進行微調。這種分層微調策略減輕了災難性遺忘，降低了重新訓練的計算成本，並確保了源域（單體）和目標域（整車）特徵分佈的對齊。
4.1 數據集
實驗使用了公開可用的單體級數據集（NASA電池數據存儲庫）和從40 kWh電動車隊收集的車載電池包數據。數據預處理包括平滑、歸一化和異常值去除。單體級NASA數據集包含300個充放電週期內的12，500個樣本，而電動車隊數據集則提供了用於真實世界驗證的120個運行週期內的4200個樣本。
4. 實驗設置
提出的CNN-LSTM-ViT C2V診斷框架使用單體級和整車級鋰離子電池數據集的組合進行實施和驗證。單體級數據來源於NASA電池數據存儲庫和牛津電池衰退數據集，兩者都提供了受控實驗室條件下的完整充放電週期。這些數據集用於預訓練，以通過DVA和ICA特徵捕捉電化學衰退動態。對於目標域適應，真實世界的整車級數據收集自一個在變溫度和負載曲線下運行的40 kWh電池包電動車隊。
5. 結果與討論
通過在NASA單體數據和真實電動車隊數據上的廣泛實驗，該研究驗證了所提出框架的優越性。在單體級測試中，模型取得了0.012的RMSE和0.987的R2分數；在更具挑戰性的整車級測試中，RMSE為0.019，R2為0.978。這相比於不採用遷移學習的基準深度學習模型，誤差降低了45%至55%。特別是在僅使用30%的整車標註數據進行微調的情況下，模型性能已接近使用100%數據訓練的模型，證明了C2V遷移學習在數據效率方面的巨大優勢。消融實驗進一步表明，移除ViT組件或凍結策略都會導致模型性能，尤其是在整車數據上的性能顯著下降，突出了混合架構與分層遷移策略的必要性。
6. 對可持續交通與SDG 7的影響
該研究的意義遠不止於算法精度的提升。準確的電池健康診斷是實現可持續電動交通的關鍵使能技術。論文將技術成果與聯合國可持續發展目標7（SDG 7：經濟適用的清潔能源）直接關聯。通過實現更精準的壽命預測和衰退管理，該框架能夠支持壽命感知的充電協議，推遲電池的過早更換，並支持電池在退役後進入“第二生命”梯次利用。據估算，這可以將電池循環壽命延長約35%，並在全生命周期內減少約10%的二氧化碳排放。這些效益直接轉化為更低的每公里出行成本、更高的可靠性以及更少的材料和能源消耗，從而推動電動汽車的大規模普及，助力全球減排和清潔能源轉型目標。
7. 結論
該研究成功開發並驗證了一個深度學習驅動的單體到整車（C2V）遷移學習框架，用於電動汽車電池的健康診斷。該框架通過融合具有物理可解釋性的ICA/DVA電化學特徵與先進的CNN-LSTM-ViT混合神經網絡，有效解決了傳統方法在真實車輛工況下面臨的挑戰。創新的遷移學習策略顯著降低了對昂貴整車標註數據的依賴（約70%），使模型能夠將從大量實驗室單體數據中學到的知識，高效地遷移至實際運行的整車電池包。實驗結果證明了該方法在單體和整車級別均具有卓越的預測精度和魯棒性。更重要的是，該研究將技術進步與可持續發展目標（SDG 7）明確聯繫起來，展示了精準電池診斷在延長電池壽命、提升能源效率、降低全生命周期碳排放方面的巨大潛力，為構建更經濟、可靠、環保的電動交通未來提供了有力的技術工具。
