在新能源领域快速发展的背景下，锂离子电池凭借高效可靠的储能特性，已广泛应用于电动汽车、民用航空、可再生能源存储等关键领域。电池状态 - of-health（SOH）的准确估计，直接关系到设备运行安全、电池寿命延长和维护成本控制，是储能系统运维管理的核心技术之一。然而，实际应用中，低温、高放电倍率等复杂工况，以及早期数据不足的现实约束，使得传统 SOH 估计方法难以兼顾准确性与泛化性。近期研读了发表在Journal of Power Sources的《Deep transfer learning enabled online state-of-health estimation of lithium-ion batteries under small samples across different cathode materials, ambient temperature and charge-discharge protocols》一文，该研究提出的自注意力机制深度迁移学习（SDTL）方法，为解决小样本、多工况下的电池 SOH 估计难题提供了创新思路，本文将从研究背景、核心方法、实验验证及研究价值等方面展开详细解读。

原文地址：Deep transfer learning enabled online state-of-health estimation of lithium-ion batteries under small samples across different cathode materials, ambient temperature and charge-discharge protocols - ScienceDirecthttps://www.sciencedirect.com/science/article/abs/pii/S0378775325013394?via%3Dihub

---

摘要亮点

• 提出了一种基于自注意力机制的深度迁移学习（SDTL）方法，用于有限电池数据下的在线健康状态（SOH）估计。
• 自注意力机制（Self-attention）可捕捉不同工况和材料下的电池衰减规律。
• 仅需 10% 的目标电池早期循环数据，通过微调（Fine-tuning）即可实现模型快速适配。
• 全面对比测试主流深度学习和迁移学习基准模型。
• 基于不同工况数据集验证模型的泛化性能。

一、研究背景与核心挑战

锂离子电池的衰减过程涉及复杂的电化学反应，包括固体电解质界面（SEI）层生长、锂沉积、活性锂损失等，同时受电解液分解、金属溶解等副反应影响，呈现出强烈的非线性特征。这些因素导致 SOH 估计成为一项极具挑战性的任务。当前主流的 SOH 估计方法可分为两大类：

物理模型法通过构建电化学模型（EM）或等效电路模型（ECM）描述电池状态变化，具备良好的物理可解释性，但依赖大量实验数据和复杂参数校准，受电池材料、运行工况影响较大，实际适用性受限。数据驱动法无需依赖特定物理模型，通过提取历史数据特征构建机器学习或深度学习模型进行预测，已成为当前研究热点。主流的数据驱动方法包括卷积神经网络（CNNs）、长短期记忆网络（LSTM）、门控循环单元（GRU）及 Transformer 等，但这类方法普遍存在数据依赖性强的问题 —— 面对不同正极材料、充放电协议或环境温度的新任务时，需要重新训练模型，而实际场景中往往难以获取充足的早期循环数据。

深度迁移学习（DTL）的出现为解决跨域数据分布差异和高数据需求问题提供了有效途径，其核心是将大数据源域学到的知识迁移到小数据目标域。目前基于 DTL 的 SOH 估计方法主要分为域自适应、域对抗和微调三类技术。其中，微调技术无需假设源域与目标域分布高度相似，计算效率高、易于实现，更符合电池任务的轻量化需求，但如何结合注意力机制提升特征提取能力，进一步优化小样本场景下的估计精度，仍是亟待解决的关键问题。

针对上述挑战，该研究提出了一种基于自注意力机制的深度迁移学习（SDTL）方法，旨在实现不同工况、不同正极材料下，利用少量早期数据的锂离子电池在线 SOH 较为准确的估计。

---

二、核心方法与技术框架

该研究的技术框架围绕数据准备、特征提取、模型构建及迁移学习四大环节展开，形成了一套完整的 SOH 估计解决方案，其核心创新点体现在自注意力特征学习与深度迁移微调的有机结合。

（一）数据集构建

为全面验证模型的泛化能力，研究构建了涵盖不同正极材料、充放电倍率和环境温度的多场景数据集：

· 数据集 A（实验室自制）：采用 NCM（镍钴锰）正极材料的 18650 圆柱电池（A1、A2），标称容量 2Ah，在 24℃环境下分别以 1C 充电 / 2C 放电、1C 充电 / 1C 放电模式进行全生命周期循环测试，直至 SOH 降至 80% 的寿命终止（EOL）阈值，循环次数分别为 362 次和 601 次。

· 数据集 B（NASA 公开数据）：采用 NCA（镍钴铝）正极材料的 18650 圆柱电池（B1-B10），涵盖三种工况：24℃/1C 放电（B1-B4、B7）、24℃/2C 放电（B5-B6）、4℃/1C 放电（B8-B10），循环次数范围为 102-197 次。

所有数据集均包含充电电压、放电电压、充电电流、放电电流及增量容量（IC）曲线等关键数据，为多维度特征提取提供了基础。

（二）健康指标提取与筛选

健康指标（HIs）的有效性直接影响模型估计精度。研究从五条典型曲线（增量容量曲线、充放电电压及电流曲线）中，提取了 18 个涵盖统计特性、电化学特性和动态特性的健康指标，包括充放电容量、充放电时间、电压 / 电流的均值、方差、峰度、偏度、斜率、熵值及 IC 曲线峰值等。

考虑到电池日常工作中多处于中荷电状态（SOC）区间，特征提取聚焦于 3.8V-4.2V 充电片段和 3.8V-3.4V 放电片段。为筛选出与 SOH 强相关的指标，研究采用皮尔逊相关系数（PCC）进行特征选择：在室温 1C 工况下，HI5（3.8-3.4V 恒流放电时间）、HI6（IC 曲线峰值）、HI17（电流熵）、HI18（电流斜率）相关性显著；高放电倍率（2C）下，HI6、HI17、HI18 仍保持良好相关性；低温（4℃）工况下，HI3（恒压充电容量）、HI5、HI11（电压熵）表现最优。最终筛选出的 3 个核心指标，通过滑动窗口分割处理为自注意力机制所需的输入格式，增强模型对时序特征的捕捉能力。

（三）自注意力神经网络构建

自注意力机制的核心优势在于能够计算输入时间序列中每个位置与其他所有位置的相似度，通过分配不同注意力权重突出关键特征，有效捕捉电池衰减的非线性模式。其数学表达式为：其中，Q（查询矩阵）、K（键矩阵）、V（值矩阵）通过对输入序列线性变换得到，dk​用于缩放点积结果避免数值过大，Softmax 函数将点积结果转换为概率分布以确定注意力权重。

为进一步提升特征表示能力，模型采用多头自注意力机制，将输入分为多个头独立计算后拼接，使模型能够同时关注不同子空间的特征。此外，由于自注意力模型不包含迭代操作，通过位置编码为序列中每个元素提供位置信息，确保时序特征不丢失。

（四）深度迁移学习流程

SDTL 方法的迁移学习流程分为两个阶段：

1. 源域预训练：利用 70% 的源域数据（如 A1 电池数据）训练自注意力模型，通过最小化损失函数学习通用特征表示，30% 数据用于模型验证与超参数调优，获得预训练模型参数θS​。

2. 目标域微调：仅使用 10% 的目标域早期数据（如 A2 电池前 10% 循环数据），解冻模型最后一层全连接层进行参数更新，其余层参数冻结以保留通用特征，通过 Adam 优化器最小化目标域损失函数，实现模型快速适配新任务。

这种 “预训练 + 微调” 的模式，既避免了从头训练模型的资源浪费，又能利用少量目标域数据适配新工况，较好地解决了小样本场景下的模型迁移问题。

三、实验验证与结果分析

研究通过多组对比实验，从估计精度、泛化能力、稳定性三个维度验证了 SDTL 方法的优越性，实验基于 PyTorch 2.0.0 构建模型，采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAE%）作为评估指标。

（一）与传统深度学习模型对比

在 A 系列 NCM 电池数据集上，SDTL 方法与 Transformer、LSTM 模型的对比结果显示：

· Transformer 模型的 MAE 和 RMSE 分别为 0.0044 和 0.0061，而 SDTL 方法通过微调优化后，MAE 和 RMSE 降至 0.0018 和 0.0023，精度显著提升。

· 五次重复实验的稳定性分析表明，SDTL 模型的 MAE 始终低于 0.005，RMSE 低于 0.0005，均优于 Transformer（MAE 约 0.015）和 LSTM（MAE 约 0.025），展现出更强的抗干扰能力。

在 B 系列 NCA 电池数据集上，SDTL 方法在不同工况下均表现出色：

· 室温 1C 工况（B2-B4）：SDTL 的 AMAE% 分别为 2.10%、1.27%、2.03%，优于 Transformer（3.11%、3.21%、2.57%）和 LSTM（4.51%、5.78%、5.02%）。

· 高放电倍率（2C）工况（B6-B7）：B6 电池的 SDTL 模型 RMSE 为 0.0319，较 Transformer 和 LSTM 分别提升 10.39% 和 43.14%。

· 低温（4℃）工况（B9-B10）：SDTL 的 RMSE 分别为 0.0128 和 0.0187，较 Transformer 提升 13.51% 和 3.11%，较 LSTM 提升 38.76% 和 26.67%，解决了低温下电压波动不明显导致的估计难题。

（二）与其他迁移学习方法对比

研究选取域对抗（DAAD）、域自适应（DAAP）、微调 LSTM（LSTM-TL）、微调 Transformer（Transformer-TL）四种主流迁移学习方法作为基准，在 B3、B4 电池数据集上进行对比：

· SDTL 方法的平均 MAE 和 RMSE 分别为 0.00887 和 0.01188，显著低于 DAAD（0.01475、0.01916）、DAAP（0.01594、0.01937）。

· 相较于表现次优的 Transformer-TL，SDTL 在 B3 电池上的 MAE 和 RMSE 分别降低 39.2% 和 32.4%，在更具挑战性的 B4 电池上仍降低 12.0% 和 5.9%，验证了其在迁移学习性能上的优越性。

（三）关键结论

1. 自注意力机制能够有效捕捉不同工况、不同材料下电池的非线性衰减特征，为 SOH 估计提供更具鉴别力的特征表示。

2. 仅需 10% 的目标域早期数据，通过微调即可实现模型快速适配，在一定程度上解决了小样本场景下的数据依赖问题。

3. SDTL 方法在不同正极材料（NCM/NCA）、充放电倍率（1C/2C）、环境温度（4℃/24℃ad）下均表现出较高的泛化能力和稳定性，适用于复杂实际场景。

四、研究价值与未来方向

（一）理论与实践价值

该研究的创新点在于将自注意力机制与深度迁移学习有机结合，提出了一套兼顾精度、效率与泛化性的 SOH 估计方案，其理论价值体现在：

· 突破了传统迁移学习方法在特征提取上的局限性，通过自注意力机制增强了模型对电池衰减关键特征的捕捉能力。

· 验证了微调技术在跨材料、跨工况电池 SOH 估计中的有效性，为小样本迁移学习提供了新的技术思路。

在实践应用中，该方法仅需少量早期循环数据即可实现较高精度的在线估计，无需复杂的实验设计和大量数据采集，能够显著降低电池健康监测系统的部署成本，为电动汽车、储能电站等场景的电池运维提供可靠技术支撑，具有广泛的工程应用前景。

（二）未来研究方向

尽管 SDTL 方法取得了良好效果，研究仍指出了进一步优化的方向：

1. 扩展数据集多样性：当前数据集仅涵盖 NCM、NCA 两种正极材料和有限工况，未来可纳入更多不同化学体系、使用年限、制造商的电池数据，进一步提升模型的鲁棒性和适用范围。

2. 优化域自适应策略：针对极端数据限制或未见过的域偏移场景，可探索更具适应性的域自适应策略，减少源域与目标域的分布差异，进一步提升迁移性能。

3. 轻量化模型设计：结合边缘计算需求，未来可通过模型压缩、量化等技术，实现 SDTL 方法的轻量化部署，满足电池管理系统（BMS）的实时性要求。

五、学习心得

这篇论文的研究思路和技术方案对从事电池健康管理相关研究具有借鉴意义。其核心启示在于：面对复杂工程问题，需精准定位核心矛盾（如小样本、多工况下的 SOH 估计），并结合前沿技术（自注意力机制、迁移学习）提出针对性解决方案。

在方法设计上，研究注重 “数据 - 特征 - 模型” 的全链条优化：通过多场景数据集构建确保验证的全面性，通过 PCC 特征筛选提升输入质量，通过自注意力机制增强特征提取能力，通过 “预训练 + 微调” 实现知识高效迁移，每一个环节都紧密围绕 “小样本、高精度、强泛化” 的核心目标。这种系统性的研究思维，值得在后续研究中学习和应用。

此外，论文的实验设计较为严谨规范，通过多维度对比验证（与传统深度学习模型对比、与其他迁移学习方法对比、不同工况下的泛化验证）较有力地论证了方法的优越性，为学术研究提供了高质量的实验范式。同时，研究也客观指出了现有方法的局限性和未来改进方向，体现了学术研究的严谨性和前瞻性。

总之，SDTL 方法为锂离子电池 SOH 估计提供了一种创新且实用的技术路径，其核心思想不仅适用于电池领域，还可推广到其他小样本、跨域预测任务中，具有重要的参考价值。未来，随着数据集的不断丰富和模型的持续优化，该类方法有望在新能源装备健康管理领域发挥更大作用。

原始文献：
X. Li, M. Zhao, S. Zhong, et al. Deep transfer learning enabled online state-of-health estimation of lithium-ion batteries under small samples across different cathode materials, ambient temperature and charge-discharge protocols[J]. Journal of Power Sources, 2025, 650: 237503.