MI-SOH：一种基于多指标特征依赖的锂离子电池健康状态估计模型

为何更智能的电池健康评估至关重要

电动汽车和家庭储能系统愈发依赖锂离子电池。但像所有电池一样，它们会随着时间逐渐退化。在电池真正失效之前就能准确了解其“健康”状态，对安全、成本和便利性都至关重要。本文提出了一种新的健康估计方法，该方法同时考察多种信号并学习这些信号随电池老化而变化的相互关系，有望在实际应用中提供更准确、更稳健的监测。

把电池健康看作不止一个数值

电池健康，常称为健康状态（state-of-health），表示电池当前能储存的有效能量与全新时相比的比例。传统评估方法依赖实验室测量，例如内阻或详细的电化学测试，这些方法准确但成本高且难以在车辆中持续执行。近年来，数据驱动的方法通过监测日常充电过程中的电压、电流与温度等简单测量量，并利用机器学习来估计健康状态。然而，大多数方法要么只关注单一指标，要么将多重指标视为重要性不随时间变化，即使电池行为明显会随着寿命阶段演进。

同时聆听多种电池信号

作者指出，关键的电池信号在电池老化过程中并不会保持固定的相互关系。例如，某个充电时间特征与诊断曲线峰值之间的关联在寿命后期可能急剧下降，而某些与电压相关的特征对在关系上可能从弱负相关转为强正相关。为应对这种动态变化，他们提出了MI-SOH框架，结合了从充电数据中提取的八种不同健康指标，包括恒流和恒压阶段的持续时间、电压和电流的变化速率、电池升温情况，以及反映内部化学特性的增量容量峰特征。一个特殊的加权步骤融合了两种相关性分析形式，使模型能够突出最具信息量的指标，并在电池经历不同老化阶段时弱化那些变得不可靠的指标。

教会模型关注时间与指标间交互

在指标加权之后，MI-SOH将它们输入到时间卷积网络（temporal convolutional network），该网络擅长识别从单次充电周期到长期衰退趋势的时间模式。与传统的循环网络不同，这种设计计算效率更高并避免了常见的训练陷阱。随后输出被送入一个“反向”变压器模块（inverted transformer），它颠倒了常见的视角：不再以时间点为中心，而是将每个指标视为独立的“通道”，学习这些通道在整个历史中如何相互影响。这使模型能够捕捉电压、电流、温度和增量容量特征如何共同反映电池的内在磨损。

自动寻找最佳超参数设置

现代深度模型拥有众多内部设置——例如层数和宽度——这些设置会显著影响性能。手动调参或系统扫参既繁琐又常常不切实际。因此作者引入了受斑马群体行为启发的优化层，通过在“觅食”（细化有希望的候选解）与“防御”（探索新区域）之间交替，搜索这些设置的良好组合。该自动调参器配置时间模块与变压器模块以及训练参数（如学习率和批大小），使得MI-SOH能适应不同类型电池和使用条件，而无需耗费大量试错成本。

在真实电池上的测试结果

研究团队在两个广泛使用的公开数据集上评估了MI-SOH：NASA 的圆柱电池和 CALCE 的棱柱电池，这两类电池在化学成分、尺寸和寿命上各不相同。两种情况下，他们的方法都比若干强基线模型表现出更高的健康追踪精度，基线包括独立的时间模型、独立的变压器模型，以及未采用自适应加权或自动调参的简单组合。平均来看，MI-SOH 相比这些替代方法将预测误差减少了大约三分之一到四分之三，同时在数百个循环中与真实测得的容量保持高度一致。消融实验（移除单个组件）证实了每个构建模块（自适应加权、时间建模、跨指标注意力与自动优化）对最终精度都有重要贡献。

对日常技术的明确启示

对普通读者而言，核心信息是：电池健康最好不是通过单一数值或固定规则来理解，而是通过多种信号随电池老化而变化的动态模式来把握。MI-SOH 通过学习每个寿命阶段哪些信号最重要、它们如何随时间演化以及它们如何互相影响来捕捉这种复杂性。其结果是一个实用的数据驱动工具，可以嵌入电动汽车与储能系统的电池管理系统中。通过提供更精确可靠的健康估计，它有助于防止意外故障、延长电池寿命并降低电气化交通与可再生能源系统的总体成本与风险。

引用: Zhuo, S., Zou, F., Liao, L. et al. MI-SOH: a multi-indicator feature dependency model for lithium-ion battery state-of-health Estimation. Sci Rep 16, 12309 (2026). https://doi.org/10.1038/s41598-026-39986-3

关键词: 锂离子电池健康, 健康状态估计, 电池诊断, 数据驱动电池建模, 电动汽车电池