锂离子电池具有高能量密度、低自放电率、低污染、宽工作温度范围和长循环寿命等优点[1]、[2]。它们被广泛应用于电动汽车和储能系统[3]、[4]。然而，随着充放电次数的增加，锂离子电池的剩余循环容量逐渐减少，发生灾难性事故的可能性也在增加[5]。当性能下降到特定的故障阈值时，电池寿命结束[6]。建立准确可靠的电池健康退化监测模型对于确保电动汽车电池的健康管理和降低意外维护成本至关重要。
目前关于预测锂离子电池健康状态（SOH）和剩余使用寿命（RUL）的研究主要包括基于模型的方法和数据驱动的方法[7]。基于模型的方法具有高准确性和可解释性的特点，例如电化学模型[8]、等效电路模型[9]和经验模型[10]。锂离子电池的退化过程复杂且多变，基于模型的方法难以在动态环境中有效监测其健康状态。数据驱动的建模方法[11]、[12]因其灵活性、适应性和高动态准确性而受到广泛关注[13]。其中，基于深度学习的方法已成为数据驱动方法的一个重要分支[14]、[15]。常见的结构包括深度神经网络（DNN）[16]、卷积神经网络（CNN）[17]、长短期记忆（LSTM）[18]和门控循环单元（GRU）[19]。深度学习需要并且完全依赖于大量高质量的数据，训练数据和测试数据必须满足独立同分布的假设[20]。然而，由于频繁变化的工作条件和复杂环境噪声的干扰，上述假设往往无法满足[21]。在不同条件下循环的电池数据分布不一致，这被称为领域偏移。数据分布的差异会破坏估计模型的泛化能力，因此在源领域训练的模型在应用于目标领域时表现不佳。最近的一项基准研究BatteryLife[22]汇总了许多电池数据集，涵盖了广泛的老化协议和工作条件。它显示由于领域偏移，在不同的老化条件下性能会下降；跨领域迁移和泛化仍然具有挑战性。因此，建立一种鲁棒的容量预测模型以有效解决领域偏移问题对于提高锂离子电池健康监测的可靠性至关重要。
领域适应（DA）是一种有效的机制，可以提高跨条件建模能力[23]。Ma等人[24]引入了最大均值差异（MMD）来减少训练和测试电池数据之间的分布差异，并提出了一种个性化的SOH估计方法。Ye等人[25]提出了一种无监督的特征对齐度量方法，同时考虑了MMD和相关性对齐（CORAL），进一步提高了模型迁移性能。Hua等人[26]提出了一种动态加权方法，以有效实现多工作条件下的无监督电池容量估计。Shen等人[27]在迁移阶段使用MMD和对抗训练策略来最小化领域差异，并实现跨领域荷电状态（SOC）估计。
尽管上述基于DA的方法在跨条件健康估计方面取得了满意的结果，但模型在训练期间需要提前访问一些目标领域数据[28]。这一限制阻碍了基于DA的方法在泛化预测任务中的应用。锂离子电池经常在不同的环境和负载条件下工作，变化多样且迅速。由于设备的运行状态是未知的，且无法提前收集目标领域数据，因此难以捕获足够的退化信息，可靠的泛化成为一个关键问题。因此，应考虑实际设备使用过程中运行环境/负载的变化（新工作条件的出现）来进行锂离子电池的健康估计任务。从已知工作条件的离线数据集中学习，并构建一个对未见数据分布保持强预测性能的泛化模型是有意义且必要的。上述策略通常被称为领域泛化（DG）。最近的研究开始将DG应用于领域偏移下的电池预测和健康估计。例如，Tan等人[29]采用DG技术调整了Informer架构，以预测变化工作条件下的电池退化轨迹。Chen等人[30]提出了一种基于DG的SOH估计框架，结合了CNN-GRNN特征提取器和领域鉴别器，以提高跨工作条件的鲁棒性。
由于基于DG的方法在训练过程中不需要目标领域数据，因此在实际工业案例中具有更强的鲁棒性和适应性。目前，大多数DG研究集中在如何学习领域不变表示上。Ding等人[31]设计了一个编码器-解码器网络，以在映射空间中去除领域特定特征，从而更好地学习领域不变特征并实现泛化。Lu等人[32]通过提取内部和相互不变的特征来增加特征多样性。Zhou等人[33]通过监督对比学习、学习向量量化和对抗训练逐步对齐特征分布，以提高模型的泛化能力。Chen等人[34]通过多源对抗训练完全学习了领域不变特征表示，以消除模型对目标领域数据的依赖。这些方法侧重于探索领域不变表示，而忽略了领域特定表示。然而，领域特定表示包含了对容量预测有益的退化敏感信息，这可能导致训练出的模型在源领域无法保持良好的预测性能。另一方面，当面对样本不平衡和数据分布差异显著的多个源领域时，模型难以学习有效的领域不变表示。此外，使用元学习策略来解决泛化问题也是当前的研究热点。Finn等人[35]提出了模型不可知元学习（MAML）方法，通过梯度下降从多个训练任务中学习通用知识。Shu等人[36]设计了新的元学习任务和损失约束来泛化领域知识。Lei等人[37]在元学习框架中引入了梯度对齐算法，以鼓励模型在未知工作条件下良好泛化。然而，上述研究尚未充分考虑模型的时间建模能力。锂离子电池容量预测问题本质上是一个时间序列预测问题；即，前一时间步的信息会影响当前时间步的容量预测。对于时间信息建模能力不足的特征提取器来说，提取电池退化表示较为困难。
为了解决上述限制，提出了一种基于DG的新方法，用于在未见条件下预测锂离子电池容量。该方法在训练期间不需要访问目标数据，在更现实和具有挑战性的泛化预测任务中具有潜在的优势。主要贡献可以总结如下：
(1) 提出了一种称为MMDGN的多源元领域泛化方法，用于在未见条件下进行容量预测。该方法充分探索了丰富的领域不变表示和领域特定表示，以提高模型的容量预测准确性和泛化能力。
(2) 提出了一种领域模糊学习方法，通过增强领域分类器输出概率的不确定性，在多个源领域之间实现稳定的对抗训练，从而有效学习泛化的领域不变表示。元学习训练策略模拟工业泛化场景，进一步优化领域特定表示，并保留领域特定结构的容量预测能力。
(3) 考虑到容量退化过程的时间依赖性，提出了一种具有多种注意力机制的特征提取器，可以有效抑制与任务无关的背景噪声，并增强提取的序列表示与容量退化状态之间的相关性。
(4) 大量实验验证了所提出方法在未见条件下进行容量预测的有效性。
