《Journal of Energy Storage》：A data-driven battery capacity prediction method with cross-rate generalization based on convolutional autoencoder and temporal convolutional network
编辑推荐：
电池健康状态（SOH）的精确估计对于电池的可靠与安全运行至关重要。尽管数据驱动方法已表现出良好性能，但仍面临两项关键挑战：其一，依赖人工设计特征，而这类特征在变化运行工况下的泛化能力有限；其二，在涉及不同充放电倍率的跨C-rate情形中，模型性能会出现退化。为
电池健康状态（SOH）的精确估计对于电池的可靠与安全运行至关重要。尽管数据驱动方法已表现出良好性能，但仍面临两项关键挑战：其一，依赖人工设计特征，而这类特征在变化运行工况下的泛化能力有限；其二，在涉及不同充放电倍率的跨C-rate情形中，模型性能会出现退化。为缓解这些问题，本研究构建了一种结合卷积自编码器（CAE）与改进型时序卷积网络（TCN）的两阶段框架，记为CAE-TCN。所提出框架可直接从恒流阶段原始充电电压曲线中自动提取与退化相关的特征，从而降低对人工特征工程的依赖。此外，该框架不仅能够在训练过的C-rate条件下估计SOH，还能够在未见过的中间倍率下实现SOH估计。研究人员使用15个实验室测试的钠离子电池实验数据对CAE-TCN框架的有效性进行了评估。结果表明，与基于人工设计特征的传统方法以及常用神经网络模型，包括卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）相比，该方法实现了更高的估计精度。在不同倍率条件下，该框架始终保持较低的预测误差，并表现出稳定性能。通过引入双倍率训练数据，所提出框架能够在降低大规模数据采集需求的同时捕捉与退化相关的模式，表明其可作为一种面向钠离子电池健康管理的实用且具成本效益的方法。
该文发表于《Journal of Energy Storage》，围绕钠离子电池（SIB）的健康状态（SOH）估计与容量预测问题，提出了一种面向跨倍率工况的数据驱动方法。研究背景在于，随着电动汽车（EV）与储能系统（ESS）的快速发展，市场对高性能、可靠且低成本电池技术的需求持续上升。锂离子电池（LIB）虽然具有较高能量密度，但受限于锂资源储量、安全性及成本等因素，大规模应用面临现实约束。钠离子电池因钠资源丰富、成本较低，并具有较好的高倍率与低温性能，被视为具有应用前景的替代方案。然而，钠离子电池在循环过程中不可避免会发生容量衰减与功率退化，因此，准确估计SOH对于保障安全运行、支持首次寿命终止判定以及梯次利用具有重要意义。
现有SOH估计方法中，数据驱动策略因对电化学退化机理先验依赖较少且具有较强非线性拟合能力，已成为主流路线。但论文指出，这类方法仍存在两个突出问题。首先，很多模型高度依赖人工特征工程，即研究人员需要从充放电曲线中手动构造健康指示量，这类特征往往只适用于特定数据集或固定工况，跨工况泛化能力不足。其次，在实际应用中，电池充放电倍率会随负载需求动态变化，而中间倍率数据常常稀缺，若模型仅基于单一倍率训练，则难以覆盖完整退化模式，导致其在未见过倍率，尤其是中间倍率条件下预测性能显著下降。与此同时，为每一个倍率分别采集与处理数据不仅耗费大量人力物力，而且测试过程本身还会带来明显电池损耗与时间成本。因此，开展能够适应复杂工况并具备跨倍率稳健泛化能力的SOH估计研究具有明确必要性。
针对上述问题，研究人员提出了基于卷积自编码器（CAE）与时序卷积网络（TCN）的两阶段CAE-TCN框架，用于从恒流（CC）充电阶段的原始电压序列实现端到端SOH估计。该方法的核心思想是，先利用CAE对标准化后的充电电压曲线进行无监督表征学习，自动提取与电池退化相关的潜在特征，再将这些潜在特征输入改进型TCN中开展时间序列建模与容量预测。论文强调，该框架仅需来自同一电池在两种代表性充电倍率下的数据，即1C与5C，便可在这两个参考倍率及未见过的中间倍率条件下实现较为准确的SOH估计，从而降低对多倍率大规模训练数据的依赖，并提升模型在动态工况中的适用性。
从研究结论看，CAE-TCN在跨倍率容量预测任务中展现出较强性能。与依赖人工设计特征的传统机器学习方法相比，该方法能够直接从原始CC充电电压曲线中自动学习退化相关表征，减少人工参与并增强可扩展性。与常用深度学习模型CNN、LSTM及GRU相比，所提框架在不同倍率条件下均表现出更低误差与更稳定的预测结果，说明其在时间依赖建模和跨倍率泛化方面具有明显优势。论文的意义在于，研究人员提出了一种兼具精度、稳健性与成本效益的钠离子电池健康管理方法，为有限训练条件下的跨工况SOH估计提供了新思路，也为面向实际储能与电动交通场景的部署奠定了方法基础。
就主要技术方法而言，研究人员构建了由数据预处理、CAE-TCN模型架构和两阶段训练策略组成的技术路线。首先，对原始CC充电电压数据进行标准化与降采样处理，以形成统一输入。其次，采用卷积自编码器（CAE，一种无监督特征学习模型）从充电电压曲线中提取潜在退化特征；再利用增强型时序卷积网络（TCN，一种适于长时序依赖建模的卷积结构）进行容量与SOH预测，其中引入分组卷积与深度可分离卷积以提升时序建模能力。最后，研究基于15个实验室测试钠离子电池数据，围绕跨C-rate泛化能力、特征提取方法优越性及预测架构合理性开展实验评估。
在研究结果部分，论文按照不同目标组织了实验分析。
Methodology
该部分给出了CAE-TCN总体框架。研究人员将方法划分为三个主要组成：数据预处理、模型架构与两阶段训练策略。其目标是在尽可能少的数据需求下，实现变化C-rate条件下的准确容量预测。数据预处理用于统一原始充电电压输入；CAE承担无监督特征学习任务；TCN负责对提取出的潜在退化信息进行时序建模并输出SOH估计结果。该部分为后续实验提供了完整方法基础，也体现出研究重点在于将自动表征学习与稳健时序预测相结合。
Dataset
该部分说明了实验设计围绕三个关键维度展开，即跨C-rate泛化能力、特征提取方法的优越性以及预测模型架构的合理性。研究人员使用15个实验室测试的钠离子电池数据集对提出框架进行评估，并设置相应评价指标与实验方案，以系统验证模型性能。由此得出的结论是，数据集与实验设计能够支撑对所提方法在不同倍率条件下性能、稳定性及泛化性的综合考察。
Experimental results and analysis
该部分集中展示了对CAE-TCN有效性的验证结果。研究人员从跨倍率泛化、特征提取能力和预测模型合理性三个方面设计实验，并据此比较所提框架与其他方法的性能差异。结果显示，CAE-TCN相较传统人工特征方法及CNN、LSTM、GRU等常用神经网络模型具有更高估计精度。尤其在不同倍率条件下，模型能够持续保持较低预测误差，说明该框架不仅能学习退化相关模式，而且在面对未见中间倍率时仍具有良好稳定性。论文还指出，双倍率训练数据足以帮助模型捕捉跨倍率退化规律，表明该策略在减少数据采集需求方面具有实际价值。
Conclusion
结论部分指出，该研究提出了一种用于原始CC充电电压序列端到端SOH估计的两阶段CAE-TCN框架，其关键创新在于将无监督表征学习与对倍率变化具有鲁棒性的时序预测器相结合，以解决有限训练工况下的跨C-rate泛化问题。具体而言，CAE首先通过预训练从标准化CC充电电压曲线中学习退化相关潜在特征，从而降低对手工特征构造的依赖；随后，TCN利用这些特征执行容量预测并实现SOH估计。综合实验表明，该框架在不同倍率条件下能够保持稳定且较低的预测误差，性能优于基于人工设计特征的方法及多种常见神经网络模型。研究结论说明，所提方法能够在仅使用两种代表性倍率训练数据的条件下，有效刻画潜在退化模式，并推广到未见中间倍率场景，体现出较好的实用性与成本优势。
讨论而言，本文的核心贡献在于同时回应了电池SOH估计中的“特征依赖”与“跨倍率泛化不足”两项难题。一方面，通过CAE自动从原始充电电压曲线中提取退化特征，方法减少了传统健康指示量构建带来的主观性和低可迁移性；另一方面，通过增强型TCN对时序信息进行建模，方法强化了对长期依赖与变量关系的刻画能力，从而提升了在复杂倍率切换场景下的稳健性。更重要的是，研究人员证明，使用1C与5C两种代表性工况进行训练，便能够对中间倍率实现有效插值式泛化，这对于降低实验代价、缩短测试周期以及支持真实应用中的动态工况管理具有现实意义。总体来看，该研究为钠离子电池SOH估计提供了一条从原始信号到跨工况预测的端到端技术路径，兼具方法学创新性与工程应用潜力。
研究结论部分可译为：本研究提出了一种两阶段CAE-TCN框架，用于基于原始CC充电电压序列的端到端SOH估计。其关键创新在于，将无监督表征学习与对倍率变化具有鲁棒性的时序预测器相结合，以解决有限训练条件下的跨C-rate泛化问题。具体而言，首先对CAE进行预训练，使其从标准化CC充电电压曲线中学习与退化相关的潜在特征，从而减少对人工设计指标的依赖，并提升特征表示能力。在此基础上，利用TCN对潜在特征进行时序建模，实现容量预测与SOH估计。实验结果表明，该框架相较于基于人工特征的方法以及CNN、LSTM和GRU等常见神经网络模型，具有更高的预测精度和更稳定的跨倍率表现。通过仅引入两种代表性倍率的训练数据，所提方法即可有效捕捉退化模式并推广至未见中间倍率，显示出其在钠离子电池健康管理中的应用潜力。
