⚡ 电气工程

A Degradation-Aware SegRNN Method Optimized by ASHA for Lithium-Ion Battery SOH Prediction

本文提出了一种由异步连续减半算法（ASHA）优化的退化感知 SegRNN 方法，该方法集成了可逆实例归一化、基于分段的 GRU 编码、累积退化增量预测机制以及退化感知训练策略，旨在实现小样本及噪声条件下锂离子电池稳健且连续的多步健康状态预测。

原作者： fubin zhang

发布于 2026-09-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： fubin zhang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

电池是现代生活的无声心脏，为从口袋里的智能手机到道路上的电动汽车等一切设备提供动力。在这些设备内部，锂离子电池通过一场复杂的化学舞动来储存能量，但就像任何生命体一样，它们也会老化。经过数千次的充放电循环，它们会逐渐失去保持满电的能力，这一过程被称为退化。工程师们将这种剩余健康状况的度量称为“健康状态”（state of health）。准确了解电池还剩多少寿命至关重要；它能确保安全性、防止意外故障，并有助于高效管理能源。然而，预测这种衰减过程是极其困难的。现实世界的数据通常很杂乱，充满了随机噪声和突然且令人困惑的波动，这使得很难看清电池寿命中真实的、缓慢下降的趋势。

为了解决这个问题，来自漳州理工学院的研究员张福斌开发了一种预测电池如何老化的新方法。挑战在于电池的退化并不是呈完美的直线进行的。它们的健康状况随时间稳步下降，但在过程中，由于测量误差或暂时的化学变化，会经历一些细微且不规则的跳跃和跌落。传统的计算机模型经常会被这些短期的小故障所迷惑，导致预测结果出现波动或偏离现实。张的方法将电池的历史视为一系列不同的“章节”，而不是一个单一、连续的数字流。通过将过去的数据分解成更小、更易处理的片段，这种新方法既能专注于每个部分的局部故事，又能理解电池寿命的整体情节。

这种新方法的核心是一个能够学会忽略噪声并专注于模式的系统。首先，计算机获取一段电池近期历史的窗口数据并对其进行归一化处理，有效地平滑了规模差异，使得微小的波动看起来不会像是一场重大的危机。然后，它将这个窗口切分成几个连续的部分，即“片段”。该系统并不试图记住每一个单独的数据点，而是分析这些片段随时间推移是如何相互关联的。它使用一种专门用于识别序列的神经网络（一种旨在识别序列的人工智能形式），来理解电池状况如何从一个片段演变为下一个片段。这使得模型能够捕捉到真实的退化状态，过滤掉随机噪声产生的干扰。

一旦系统理解了电池的当前状态，它便不再是通过直接猜测下一个数值来预测未来，而是通过计算接下来会发生的微小衰减步骤来进行预测。想象一下电池未来的健康状况是一段向下的楼梯；模型不是去猜测最终台阶的高度，而是预测每一个单独台阶的高度，然后将它们累加起来以得出总的降幅。这种“累积式”的方法确保了预测路径保持平滑且连续，符合电池老化自然的、渐进的本质。为了确保模型正确学习这一点，研究人员添加了一条特殊的训练规则，强制计算机不仅要关注最终的数值，还要关注曲线的方向和斜率。这确保了即使在数据杂乱的情况下，预测也能遵循与真实电池相同的温和下降趋势。

由于设置此类计算机模型有很多种方式，研究人员使用了一种智能搜索算法来寻找针对其特定任务的最佳设置。这种被称为 ASHA 的算法就像一个高效的侦察兵。它测试数百种不同的配置，快速剔除表现不佳的配置，并将精力集中在最有希望的候选方案上。这一过程确保了最终的模型能够针对其正在分析的电池数据特征进行精细调优。研究人员在两个著名的电池数据集上测试了这种方法：一个是来自 NASA 的数据，另一个来自马里兰大学。这些数据集既包含了简短、简单的电池历史，也包含了具有显著波动的长期复杂历史。

结果显示，这种新方法优于几种现有的先进模型。在短促且多噪的数据集上，新方法显著降低了预测误差，达到了比次优方法明显更高的准确水平。在更长、更复杂的数据集上（其中电池表现出如容量暂时恢复等异常行为），该模型仍能紧密追踪真实的健康曲线。研究人员发现，新系统的每一个部分都对这一成功做出了贡献。移除任何一个组件——例如数据切片的方式或平滑预测的方法——都会导致模型准确度下降。这证实了将数据分段、进行逐步增量预测以及使用智能搜索算法相结合，对于处理电池老化的杂乱现实是必不可少的。

最终，这项工作为洞察电池寿命提供了一种更可靠的方式。通过将问题分解为更小、更易理解的部分，并强制计算机尊重退化的连续性，该方法提供了一个稳定且准确的电池健康图景。虽然目前的研究侧重于特定类型的电池数据，尚未纳入温度或电压等其他因素，但该方法展示了一条清晰的前行路径。它表明，通过教导机器从噪声中看到故事，我们可以更好地管理为我们的世界提供动力的能源系统，确保它们尽可能长时间地保持安全与高效。

技术摘要：一种通过 ASHA 优化的退化感知型 SegRNN 锂离子电池 SOH 预测方法

问题陈述

准确的多步锂离子电池健康状态（SOH）预测对于维护和能量管理至关重要，但在实际应用中面临重大挑战。现有的数据驱动方法在小样本条件和噪声环境下往往表现不佳。主要局限性包括：

易受局部波动影响： 模型往往难以区分测量噪声/容量再生与真实的退化趋势。
轨迹连续性不足： 直接的多步预测方法经常产生不稳定的轨迹，缺乏与电池连续物理退化过程的一致性。
过拟合与参数敏感性： 复杂的深度学习模型容易在有限的数据集上发生过拟合，且其性能对超参数选择和窗口长度配置高度敏感。

方法论

本文提出了一种经由异步连续减半算法（ASHA）优化的退化感知型 SegRNN 框架，旨在解决上述挑战。该方法由四个核心组件组成：

1. 数据预处理与分段

噪声序列构建： 对原始 SOH 序列进行噪声增强，以模拟现实世界的观测条件。
可逆实例归一化（RevIN）： 应用于输入窗口，以减轻由不同退化阶段引起的局部分布差异。
分段表示： 将历史窗口划分为连续的退化段。线性嵌入层提取局部表示，随后由**门控循环单元（GRU）**编码器进行处理。该编码器对段间的时序演化进行建模，从而提取当前的退化状态（ $z_t$ ）。

2. 累积退化增量预测（CDIP）

模型并非直接预测绝对 SOH 值，而是采用了 CDIP 机制：

模型预测每个未来步骤的 SOH 增量（ $\Delta \hat{s}$ ）。
未来的 SOH 轨迹通过从最后一个观测值开始累加这些增量来重建。
该方法强制执行时间连续性，确保预测轨迹反映出电池退化的渐进本质。

3. 退化感知训练策略（DATS）

为了提高噪声条件下的趋势一致性，引入了一种复合损失函数：

时界加权均方误差（ $\mathcal{L}_{wmse}$ ）： 对不同预测时界的点误差进行加权惩罚。
斜率一致性损失（ $\mathcal{L}_{slope}$ ）： 通过最小化预测轨迹与真实轨迹之间的斜率差异，来约束局部变化趋势。
总损失： $\mathcal{L} = \mathcal{L}_{wmse} + \lambda \mathcal{L}_{slope}$ ，平衡点精度与轨迹平滑度。

4. 基于 ASHA 的超参数优化

使用**异步连续减半算法（ASHA）**来自适应地优化关键超参数（例如窗口长度 $L$ 、分段长度 $l_s$ 、学习率、隐藏层大小）。ASHA 通过以下方式高效搜索超参数空间：

使用较小的初始预算训练多个候选配置。
早期剔除表现较差的候选配置。
将更大的训练预算分配给有潜力的配置。
这确保了模型能够适应不同电池退化序列（短序列 vs 长序列）的具体特征。

主要贡献

退化感知型 SegRNN 模型： 一种新颖的架构，通过提取局部退化段并利用 GRU 对其时序演化进行建模，增强了在小样本条件下的建模能力。
CDIP 与 DATS 机制： 设计了累积退化增量预测机制以确保轨迹连续性，并结合退化感知训练策略以在噪声环境下强化斜率一致性。
ASHA 集成： 应用 ASHA 进行自适应超参数优化，提升了模型在不同数据集和退化模式下的鲁棒性。

实验结果

所提方法在 NASA（短序列，B0006, B0007）和 CALCE（长序列，CS2-36, CS2-38）数据集上进行了评估，并与 Transformer、TabM、HistGBR 和 PatchTSMixer 进行了对比。

NASA 数据集（小样本/短序列）：
- 所提模型实现了最低的误差率。对于 B0006，其达到了 R² 为 0.942 且 RMSE 为 7.60E-03，通过降低约 26.2% 的 RMSE 优于表现最好的基准模型（HistGBR）。
- 对于 B0007，其达到了 R² 为 0.915 且 RMSE 为 4.99E-03。
CALCE 数据集（长序列/复杂波动）：
- 模型展示了对容量再生和局部波动的卓越适应性。
- 对于 CS2-36，其达到了 R² 为 0.991 且 RMSE 为 1.60E-02。
- 对于 CS2-38，其达到了 R² 为 0.988 且 RMSE 为 1.70E-02。
消融实验：
- 实验证实，每个模块（RevIN、CDIP、DATS、ASHA）都对性能有增量性的贡献。完整模型（V4）始终优于消融后的变体，验证了所提组件之间的协同效应。

重要性与声明

本文声称，所提方法有效地解决了噪声及小样本条件下多步 SOH 预测的不稳定性及缺乏连续性的问题。通过显式建模退化段并通过 CDIP 和 DATS 强制执行轨迹一致性，该方法实现了比现有最先进的深度学习和机器学习基准更高的拟合精度和更低的预测误差。

作者指出，尽管该方法行之有效，但目前仅依赖于 SOH 序列。未来的工作被确定为需要整合多源运行特征（电压、电流、温度），并在不同的电池材料体系和运行条件下进行泛化性验证。研究结论认为，经 ASHA 优化的 SegRNN 为电池健康评估提供了一种鲁棒的方法，但也承认优化过程的计算成本是未来需要考虑的一个因素。