iMOE：使用可解释专家混合模型预测再生电池的退化轨迹

汽车电池再利用为何重要

当数以百万计的电动汽车达到第一生命周期终点时，其电池仍保有令人意外的大量可用能量。将这些“退役”电池在后备电源或乡村微电网中赋予第二生命，可能大幅降低全球成本与浪费。但问题在于：没人能确切知道单个二手电池还会以多快的速度继续老化，错误判断可能导致故障、起火或投资浪费。本研究提出了一种仅用快速、无损检测便能预测二手电池老化的新方法，可能改变电池规模化再利用的方式。

从车到电网：一个预测问题

目前，评估退役汽车电池既慢又昂贵，而且常常具有破坏性。传统方法要么拆解电芯做实验室测试，要么通过完整充放电循环测试，往往每组电池需要数天。许多先进的传感技术仍局限于研究实验室。另外，家庭储能或离网系统等再利用场景，可能会使电池经历与汽车中完全不同的充放电和温度模式。因为电池的损耗强烈依赖于其过去和未来的使用，现有许多数据驱动模型在缺乏多年历史数据或新运行条件变化时会失效。挑战在于，只看一块电池一次——无论它当时处于何种荷电状态——仍能在新的工况下预测其未来健康状况。

用一次快速体检代替完整病史

作者提出了一种称为可解释专家混合（interpretable mixture of experts，iMOE）的方法，正是为此目的设计。该方法不要求长期记录，而是利用在现场一次受控充电过程中易于收集的信号。技术人员从电池到达时的任意荷电状态开始部分充电，然后让其静置。根据短时间充电及随后的电压松弛变化，模型提取出若干基于物理的特征，反映内部电阻、极化以及剩余可用锂量等。这些浓缩的线索，连同计划中的未来使用模式描述——例如充放电速率和温度——一起构成预测系统的输入。

多位专家，一个综合预测

在 iMOE 内部，这些输入由一组虚拟“专家”处理，每个专家针对典型的电池损耗模式进行调优。有些专家对应由电极保护膜生长主导的早期行为，有些捕捉该膜在中期的增厚，还有些则代表晚期过程，如锂金属析出和活性物质损失。路由模块检查这些物理特征并决定对每个专家赋予多大的权重，从而有效地在未见其历史的情况下对电池的主导退化模式进行分类。专家输出的加权组合形成了未来短期内容量可能变化的趋势。

通过多个充放电循环展望未来

短期趋势本身还不够；电池在第二生命周期中将遭受多严苛的使用也很关键。为此，第二个模块——一个递归神经网络——将该趋势与计划的未来负载曲线（逐循环的充电速率、放电速率和温度）结合起来，将预测向前推进数十到数百个未来循环。在三个大型数据集上测试，涵盖295个商用电池、93种工况和超过84,000个循环，iMOE 持续地以通常低于1–3%的误差预测整条未来容量轨迹，即使在未来条件随机或电池在未知过去使用下已深度老化时亦然。它还比领先的时间序列预测模型运行更快、更高效，同时使用更少的训练数据。

打开黑箱看内部

不同于许多机器学习系统，iMOE 旨在为电池科学家和工程师所读懂。通过检查路由器在电池生命周期中如何为不同专家分配权重，作者展示出模型自然区分出早期、中期和晚期退化阶段，并与已知的物理过程相一致。健康状况较高的退役电池倾向于被路由到某些专家，而严重磨损的电池则激活其他专家。当研究者有意扰动特定物理特征或强制路由器使用错误专家时，预测误差上升，这凸显出该系统不仅是在拟合曲线，而是与有意义的内部行为相关联。

这对未来能源系统意味着什么

简单来说，这项工作提出了一种能够在毫秒级、无需长期测试就判断二手电池在第二职业中可能如何老化的方法。该能力可使回收商、电网运营商和项目开发者将大量退役电池分拣到安全且合适的角色中——例如长寿命的固定储能与短期用途——或将高风险电池直接送往回收。尽管该方法仍依赖统计关联而非完全的物理因果，并假定对大致未来使用计划有所了解，但它朝着更智能、更安全、更经济的电池再利用迈出了一步，帮助延长已开采和制造材料的价值。

引用: Huang, X., Tao, S., Liang, C. et al. iMOE: prediction of second-life battery degradation trajectory using interpretable mixture of experts. Nat Commun 17, 2549 (2026). https://doi.org/10.1038/s41467-026-69369-1

关键词: 再生电池, 电池退化预测, 储能的机器学习, 专家混合模型, 锂离子电池健康