《Journal of Energy Storage》：A two-stage probabilistic framework with validity screening and physics-informed trend modeling for lithium-ion battery health estimation from short discharge transients
编辑推荐：
可靠的锂离子（Li-ion）电池健康状态（State of Health, SOH）估计在跨电池变异和运行条件迁移下仍然具有挑战性。本文提出了一种面向部署的两阶段概率框架，仅利用在线实际可获取的短初始暂态窗口的放电测量数据来推断SOH。研究人员采用基于可识别性
可靠的锂离子（Li-ion）电池健康状态（State of Health, SOH）估计在跨电池变异和运行条件迁移下仍然具有挑战性。本文提出了一种面向部署的两阶段概率框架，仅利用在线实际可获取的短初始暂态窗口的放电测量数据来推断SOH。研究人员采用基于可识别性意识的暂态参数化方法，该方法基于降阶等效电路形式（修正的1RC模型含线性趋势），从上述窗口构建紧凑的物理可解释特征。第一阶段中，轻量级的基于定义的筛查剔除暂态 settling 过程和非标称循环，并为下游预测定义运行有效性范围。第二阶段中，仅将有效循环前传至物理信息趋势-残差高斯过程回归（Physics-Informed trend–residual Gaussian Process Regression, PI-GPR）模型，该模型将物理驱动的趋势分量与随机残差过程相结合，以提供面向决策的不确定性。所提框架的主要特点在于明确分离有效性情查与下游概率预测，同时结合短暂态物理可解释表示以及针对小数据跨电池部署定制的趋势-残差结构。为进一步提升分布偏移下的保守性，研究人员引入了分布外（Out-of-Distribution, OOD）感知的不确定性膨胀机制，用于风险感知区间估计。防泄漏的跨电池实验表明，所提框架在当前跨电池设置下实现了稳定的SOH预测性能和改进的不确定性可靠性，同时明确报告了由有效性情控预测带来的运行可用性。当前MATLAB实现的运行时评估显示平均在线延迟约为每循环1.53 ms，而第二阶段PI-GPR推理本身仅需约每查询0.01 ms。这些结果表明，所提框架与当前实现设置下的逐循环在线部署兼容。
## 研究背景与问题
锂离子电池健康状态（SOH）估计与剩余使用寿命（RUL）预测是电动交通和固定式储能应用中储能管理的核心环节。在实际电池管理系统（Battery Management System, BMS）中，SOH估计直接指导安全裕度、降额策略、维护调度和质保相关决策，不可靠的预测可能导致保守运行或风险升高。尽管该领域进展迅速，现有模型仍面临显著的部署挑战：基于有限实验室数据集训练的模型对电池间异质性、运行条件迁移和测量 imperfections 敏感，泛化能力和不确定性可靠性易受损。因此，研究人员日益关注以下需求：（i）利用在线实际可获取的短片段信息；（ii）改善相关条件间的迁移能力；（iii）提供可操作的决策支持以支持风险感知运行。
现有方法主要包括数据驱动方法、概率学习与不确定性量化（Uncertainty Quantification, UQ）、以及混合物理信息策略。端到端深度学习方法虽具备强特征提取能力，但对分布偏移和外推 regime 敏感；基于特征的机器学习方法在可解释性和低计算成本方面具有优势，但通常优化目标为点精度，对预测不确定性和运行有效性控制支持有限。高斯过程回归（Gaussian Process Regression, GPR）等概率模型可提供原则性的预测均值和方差，但标准GPR依赖通用均值假设或纯数据驱动的核函数自适应，缺乏物理锚定的退化趋势和显式的运行范围判定机制。贝叶斯深度预测器在有限全寿命数据下，其不确定性行为在跨电池泛化设置中可能变得保守、不稳定或校准不良。物理引导策略通过结构化先验、等效电路参数或残差学习注入轻量化物理信息，但往往聚焦于改善回归模型本身，未提供显式机制以在当前循环未稳定、异常或训练 regime 弱支持时暂停预测。更为关键的是，现有众多SOH/RUL估计方法多为单阶段预测器：一旦获得特征向量或健康指标，模型直接映射至SOH或RUL，对每一查询循环均产生估计，而不显式判定当前循环是否处于预测器的预期有效性范围内。
## 研究目的与核心设计
针对上述空白，研究人员提出了一种面向部署的两阶段概率框架，用于基于纯放电短暂态测量的SOH估计。该框架的核心设计理念是将可靠性视为管道级（pipeline-level）目标，而非单一模型属性。具体而言，第一阶段（Stage 1）作为有效性情查模块，判定当前循环是否在采纳的定义和测量约束下适合进行预测推理；第二阶段（Stage 2）仅对接受的循环执行概率SOH估计。这种级联架构明确分离了运行有效性控制与预测功能，区别于直接映射每一输入至SOH的单阶段预测器，也区别于仅依赖通用常均值公式的标准GPR，以及侧重于施加更强电化学约束的近期物理引导预测器。
## 关键技术方法
研究人员所用主要技术方法包括以下方面。样本队列来源为NASA Prognostics Center of Excellence（PCoE）电池数据集，聚焦商用18650 Gen 2电池的标准组（B0005、B0006、B0007和B0018）。特征表示层面，采用基于可识别性意识的暂态参数化方法，基于修正的1RC等效电路模型（含线性趋势）构建紧凑物理可解释特征，从放电初始短暂态窗口提取等效电路衍生参数。框架架构层面，采用两阶段级联设计：Stage 1为轻量级基于定义的筛查，Stage 2为物理信息趋势-残差GPR（PI-GPR）模型，结合物理驱动的趋势分量与随机残差过程。不确定性量化层面，纳入OOD感知的不确定性膨胀机制以提升分布偏移下的保守性。评估策略采用防泄漏的留一电池交叉验证（Leave-One-Cell-Out, LOCO），确保所有定量指标和特征分配语句仅基于训练电池计算，避免信息泄漏。运行性能通过MATLAB实现进行在线延迟评估。
## 研究结果
**电池动态建模背景**：电池负载施加后的动态行为反映于端电压暂态响应。虽然电化学模型提供丰富物理可解释性，但在有限且含噪测量下对在线估计和特征提取较不方便；低阶等效电路模型（Equivalent Circuit Model, ECM）因能近似电池动态且便于参数识别而广泛应用。
**电池老化数据集描述**：原始时间序列数据包括端电压V
t、负载电流I和电池表面温度T，来源于加速老化实验。数据集选取NASA PCoE数据集中经标准循环的18650 Gen 2电池标准组。
**模型无关特征分析与选择**：在将提取的物理参数集成至预测回归模型前，研究人员执行模型无关评估以检验其作为可靠健康指标（Health Indicator, HI）的适用性。所有定量指标通过LOCO评估框架内在各折次训练电池上计算，避免跨电池信息泄漏。该分析旨在确保特征对电池退化的敏感性和对运行条件变化的鲁棒性，为后续稳健学习奠定基础。
**所提框架：级联诊断与预测**：从储能运行角度，研究人员将可靠性视为管道级目标，通过级联设计显式解耦有效性与预测：Stage 1确定循环在采纳定义和测量约束下是否适于预测推理；Stage 2仅对接受循环执行概率SOH预测。该设计自然支持操作层面的关键性能指标——运行可用性，即预测器实际可发挥作用的循环比例。
**实验验证**：为定量验证所提级联管道，研究人员评估三个互补方面：（i）基于均方根误差（RMSE）和平均绝对误差（MAE）的未见过电池点预测精度；（ii）通过训练范围敏感性分析的数据稀缺鲁棒性；（iii）基于预测区间覆盖概率（Prediction Interval Coverage Probability, PICP）、平均预测区间宽度（Mean Prediction Interval Width, MPIW）和校准误差（Calibration Error, CE）的不确定性可靠性。由于Stage 2仅对Stage 1接受的循环执行，研究人员同时报告Stage 2预测的运行可用性。此外，MATLAB实现的运行时评估显示平均在线延迟约每循环1.53 ms，Stage 2 PI-GPR推理本身仅需约每查询0.01 ms，表明该框架与逐循环在线部署兼容。
## 讨论与结论
研究人员将本研究置于更广泛的电池健康预测部署语境中进行讨论。所提框架的核心贡献在于框架级设计：并非主张跨化学体系或跨条件的普适泛化，而是构建并控制评估了一种面向短暂态在线测量的有效性情控概率SOH估计管道。物理信息在此采用轻量化理解：不嵌入硬电化学老化定律、电压一致性约束或显式容量衰减方程至训练目标或推理过程，而是通过短暂态等效电路表示进行特征提取，以及在概率预测器中采用物理信息均值趋势结构。
与常规基于特征的机器学习基准相比，该框架不仅旨在提升预测精度，更赋予预测何时应被信任的操作意义。与单阶段预测器相比，其显式报告运行可用性连同预测精度和不确定性。与标准GPR相比，其采用物理信息趋势-残差结构而非仅依赖通用常均值公式。与近期物理引导预测器相比，其区分点不在于施加更强电化学约束，而在于Stage 1/Stage 2级联中有效性情查与SOH回归的显式分离。相对于贝叶斯深度预测器，其通过短暂态物理可解释特征、防泄漏LOCO评估和面向部署的不确定性报告，定制于小数据跨电池部署场景。
研究结论表明，该论文提出了一种面向部署的电池健康预测框架，从放电测量中利用在线实际可获取的短初始暂态窗口进行SOH推理。研究人员将可靠性构建为管道级目标，采用将有效性控制与预测分离的两阶段级联设计。Stage 1中，预参数化、基于定义的序列筛查确定运行有效性范围；Stage 2中，仅对有效循环应用物理信息趋势-残差GPR进行概率SOH估计。跨电池实验验证了稳定的预测性能、改进的不确定性可靠性和显式的运行可用性报告，且在线延迟评估支持逐循环部署可行性。
