《Energy》：Physics-Informed Unified Network for Robust and Interpretable SOH Estimation of Lithium-ion Batteries
编辑推荐：
准确可靠的锂离子电池健康状态（State of Health, SOH）估计是电池管理系统（Battery Management Systems, BMSs）的核心需求，直接影响安全性、寿命预测与能量效率。尽管数据驱动模型在精度上表现良好，但其实际应用常受限于
准确可靠的锂离子电池健康状态（State of Health, SOH）估计是电池管理系统（Battery Management Systems, BMSs）的核心需求，直接影响安全性、寿命预测与能量效率。尽管数据驱动模型在精度上表现良好，但其实际应用常受限于物理一致性不足、跨化学体系泛化能力弱及可解释性差等问题。为此，研究人员提出一种用于单步SOH估计的物理信息统一网络（Physics-Informed Unified Network, PIUN），将物理一致约束集成至名为更新-候选分支网络（Update–Candidate Branch Network, UCBNet）的紧凑门控骨干中。通过联合优化数据保真度与退化感知物理正则化，PIUN在统一框架内同时捕捉静态健康指标与动态老化行为。研究人员在四个公开电池数据集（XJTU、TJU、MIT及HUST）上对PIUN进行了评估，在11个评估子集上，与最强基线相比，PIUN的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）与均方根误差（Root Mean Square Error, RMSE）分别平均降低11.5%与7.4%；在噪声增强训练中，平均改进幅度进一步提升至约16%，证明其对测量扰动的鲁棒性显著增强。跨数据集实验进一步验证了PIUN卓越的零样本与少样本泛化能力。为提升可解释性，研究人员采用SHapley Additive exPlanations（SHAP）分析，发现所学特征贡献与电化学降解机制高度一致。在可解释物理维度的SHAP重要性引导下，研究人员构建了包含7个代表性特征的紧凑子集，实验验证其性能与包含17个特征的完整模型相当，既证实了基于SHAP的解释可靠性，又支持轻量化部署。总体而言，PIUN提供了一种物理一致、可解释且具备强泛化能力的SOH估计框架，在实际BMS应用中具有重要潜力。
研究背景与意义
锂离子电池在电动汽车、可再生能源存储及微电网中具有不可替代的作用，其健康状态（SOH）的精准估计是保障安全性与优化全生命周期管理的关键。电池老化由固体电解质界面（Solid-Electrolyte Interphase, SEI）生长、析锂、活性材料损失及内阻增加等多物理场耦合过程驱动，表现出高度非线性与工况依赖性。传统基于模型的方法分为电化学模型（Electrochemical Models, ECMs）与等效电路模型（Equivalent Electrical Circuit Models, EECMs）。前者如Doyle–Fuller–Newman（DFN）模型，通过偏微分方程（Partial Differential Equations, PDEs）描述离子扩散与反应动力学，虽具强可解释性，但参数校准复杂、实时性差；后者通过电阻-电容网络近似动态特性，计算效率高，但参数随老化漂移，难以反映内部退化机理。数据驱动方法依托传感与计算技术发展，利用卷积神经网络（Convolutional Neural Networks, CNNs）、长短期记忆网络（Long Short-Term Memory, LSTM）等架构学习电压、电流、温度与SOH的非线性映射，虽取得较高精度，但缺乏物理约束导致预测结果可能违反单调退化规律，且多为“黑箱”模型，跨化学体系与工况的泛化能力不足。物理信息神经网络（Physics-Informed Neural Networks, PINNs）通过引入物理方程残差、单调性约束等损失项连接数据与机理，但在异构退化模式建模、特征级可解释性及噪声与跨域场景下的鲁棒性方面仍存在局限。因此，构建兼具物理一致性、高精度与强泛化的单步SOH估计框架成为迫切需求。
研究方法概述
研究人员构建了物理信息统一网络（PIUN），其骨干为更新-候选分支网络（UCBNet），通过门控机制自适应加权多维特征，融合数据驱动回归与物理约束。研究采用四个公开数据集（XJTU、TJU、MIT、HUST）覆盖三元锂（NCM、NCA）与磷酸铁锂（LFP）等多种化学体系，通过物理一致性正则化与基于PDE的物理约束确保退化轨迹符合电化学原理。模型评估涵盖基准对比、噪声鲁棒性测试及跨数据集零样本/少样本泛化实验，并采用SHAP分析揭示特征贡献机制。
研究结果
Baseline Comparison Experiments
研究人员将PIUN与多层感知机（Multilayer Perceptron, MLP）、卷积神经网络（CNN）及传统物理信息神经网络（PINN）进行对比。结果表明，PIUN在11个评估子集上的MAPE与RMSE较最优基线分别平均下降11.5%与7.4%，证明其精度优势。
Robustness Analysis under Noise
在噪声增强训练条件下，PIUN的误差指标改进幅度提升至约16%，显示其在测量扰动下的稳定性显著优于纯数据驱动模型与传统PINN。
Cross-Dataset Generalization
跨数据集零样本与少样本实验验证了PIUN在不同化学体系与工况间的优异迁移能力，解决了现有模型跨域性能骤降的问题。
SHAP-based Interpretability Analysis
SHAP分析识别出充电接受度/动态活性（正向贡献）与极化/终端负担（负向贡献）两条正交退化轴，并筛选出7个物理意义明确的核心特征，其预测性能与17维全特征模型相当，实现了模型轻量化与可解释性的统一。
结论与讨论
研究人员提出的PIUN通过统一门控特征学习与物理信息正则化，填补了数据驱动建模与电化学机理之间的鸿沟。该框架在保持高精度的同时，确保了退化轨迹的物理合理性，并通过SHAP分析提供了可迁移的退化机制解释。研究证实，物理约束不仅能提升模型的鲁棒性与泛化性，还能引导构建精简且高可解释的特征子集，为实际BMS的智能诊断与健康估计提供了可靠的技术路径。
