Hi，大家好，我是半亩花海。现对领域内一篇SCI一区TOP期刊论文进行阅读，文献记录如下。本文提出一种基于元学习与并行TCN-Transformer架构的锂离子电池健康状态(SOH)估计方法。针对传统方法依赖大规模数据、跨工况适应性差的问题，该方法通过：1）从随机充电片段提取容量增量特征；2）构建并行网络同步捕捉局部与全局老化特征；3）采用MAML元学习实现小样本快速适配。实验表明，在温度、电流变化及不同电池材料下，仅需10%目标数据即可实现SOH误差<3%，数据需求减少50%。该方法显著提升了BMS在实际复杂工况中的适应性，为电池健康管理提供了高效解决方案。未来将拓展至变放电条件及电池组场景研究。

---

目录

一、背景/痛点——解决方法

二、具体方法与创新点

1. 方法

2. 创新点

三、实验与健康特征提取

1. 电池老化试验

2. 健康特征提取

四、网络架构

1. 数据处理

2. 任务分类

3. 并行网络构建

4. 元学习（内外循环）

五、实验验证与讨论

1. 超参数调优

2. 与不同算法的对比

3. 不同场景的影响

4. 不同温度下的验证

5. 不同电池材料的验证

六、讨论与局限性

七、总结

---

本篇期刊论文的具体信息如下：

• 引用信息：Shu X, Yang H, Chen Z, et al. Meta Learning Based State of Health Estimation of Lithium-Ion Batteries With Small Sampling Retraining[J]. IEEE Transactions on Industrial Electronics, 2025.
• DOI：10.1109/TIE.2025.3613630

一、背景/痛点——解决方法

（1）传统机器学习局限性

传统机器学习方法高度依赖大规模离线测试数据集，耗时又费资源——引入迁移学习实现跨数据集的知识共享 [CNN+迁移学习，variable-length LSTM (Var-LSTM)+迁移学习]。

（2）迁移学习局限性（解决迁移学习的局限性）：

• 当目标任务与源任务高度相似时，迁移学习效果显著提升；而数据分布差异过大则会导致负迁移现象，从而降低预测精度；
• 仍依赖大规模源数据集，这可能限制跨环境（如温度、充电电流变化）应用中目标任务的适应性和泛化能力；
• 电池在实际应用中常面临温度波动、充电电流差异等复杂工况以及不同电池类型变化，现有方法多在统一充电条件下训练验证，难以适应这些变化，导致特征提取和算法设计复杂化，影响状态估计的准确性。

——减少对大型数据集的依赖，开发能够快速适应多样化运行条件和新任务的模型（模型跨场景适配）。

---

二、具体方法与创新点

1. 方法

本研究提出一种融合元学习与Transformer-TCN并行架构的电池SOH融合估计方法。

具体而言：通过(1)提取多段充电过程中的容量增量序列作为健康特征，表征电池退化状态并解决随机充电行为带来的复杂性。随后(2)构建并行混合网络，将时间卷积网络与增强注意力机制的Transformer相结合，捕捉健康特征中的局部与全局信息，实现精准的SOH预测。通过(3)梯度学习优化混合网络的初始化参数，使系统能快速适应新任务，并(4)在小样本重训练下实现稳健的估计算法。通过(5)在不同温度、充电电流及多种电池类型下的实验验证表明，所提出的方法实现了精确的电池SOH估计，最大误差低于3%，同时将训练数据需求减少50%，充分彰显其高效性与实用性。

【元学习是一种自适应学习方法，通过利用先前任务的已有知识和经验来应对新任务（元学习的核心）。其核心原理在于训练过程中识别不同任务间的共性模式与结构，使模型在面对全新挑战时，仅需少量数据和梯度更新即可实现快速收敛与高性能表现。】

2. 创新点

（1）该方法不依赖完整或固定的充电电压范围，而是从随机充电片段中提取容量增量（△Q）作为健康特征，更贴合实际充电行为的变异性与随机性；

（2）提出结合Transformer与时间卷积网络（TCN）的并行架构，同步捕捉局部与全局模式，有效建模锂离子电池的非线性老化特性；

（3）将元学习融入并行网络，显著提升算法对新电池数据的泛化能力，将新电池训练数据需求从70%降至20%。

---

三、实验与健康特征提取

1. 电池老化试验

（1）实验条件

实验中，三节镍锰钴(NMC)电池（每节容量5Ah，标称电压3.65V）在不同环境温度和充电电流条件下进行循环测试。实验前，将电池置于10℃、25℃和40℃的温控箱中，以稳定其内部温度和工作温度。每个温度循环测试采用恒流恒压(CC-CV)充电策略，直至端电压达到4.2V且电流降至0.02C的截止电流。三节电池的CC充电电流分别设定为0.5C、1.5C和1.5C。经过5分钟静置后，采用2C电流的CC放电模式对电池进行放电，直至端电压降至2.75V。

（2）容量校准与老化规律验证

• 容量校准：为保证SOH计算的准确性，每20个充放电循环进行一次容量校准——在室温下以0.5C恒流充电至4.2 V（减少热效应影响），再以1C恒流放电至截止电压（模拟实际使用工况），符合电池厂商提供的标准测试协议。
• 老化规律呈现：不同温度下电池的SOH降解轨迹存在显著差异，10℃时因电解液粘度升高、离子传输受阻，电池老化最快；40℃时离子电导率提升使 SEI 膜快速稳定，初期老化速率较慢；25℃下电池衰减趋势最平稳，这些规律均通过图2清晰展示，如图2所示。

2. 健康特征提取

（1）特征提取思路与方法

针对实际场景中用户充电行为的随机性（如未充满、充电起点不固定(比如0%~100% / 30%~80%)），摒弃传统依赖“完整充电曲线”的特征提取方式，转而从随机充电片段中挖掘健康特征，提升方法的实用性。

首先将恒流充电曲线（Q(V)曲线）按电压区间ΔV(Vstart~Vstop)、切片步长S分割为多个大段，再将每个大段细分为m个小段；对每个小段，按ΔV/m的电压间隔采集充电容量值，通过“当前容量减去该段初始容量”计算容量增量ΔQ，形成容量增量序列[ΔQ1, ΔQ2,…, ΔQm]作为健康特征，该提取流程的示意图如图3(a)所示。

【我的理解：图3(b)可能是作者举了一个例子展现特征情况，如第一个子图所示，初始电压为3.61V、ΔV=0.1V、S=0.1V，m=10（10个细小间隔），每个电压值对应的ΔQ代表以Vi为起点、间隔长度为0.01V的小段区间的ΔQ；比如恒流充电范围终止电压到4.2V，那么可分为3.61~3.71，3.71~3.81，3.81~3.91，3.91~4.01，4.01~4.11这样的5个窗口，每个窗口再细分10小段，每小段间隔长度为0.01V，此时这个循环一共有5×10=50个特征值。】

（2）特征有效性验证

以25℃下的老化电池为例，设置初始电压3.6 V、ΔV=0.1V、S=0.1V进行特征提取，结果显示：随着电池循环次数增加（老化程度加深），各充电段的容量增量ΔQ呈明显下降趋势，能直观区分不同老化状态的电池，如图3(b)所示。

定量验证：计算10℃、25℃、40℃下容量增量序列与SOH的皮尔逊相关系数，结果均高于0.98，证明该特征与电池老化状态存在强线性关联；同时，随机分割策略适配了用户不规则的充电习惯，进一步验证了该特征在实际应用中的适用性。

---

四、网络架构

本文提出的电池SOH估计方法框架如图4所示，该框架通过并行TCN-Transformer架构与元学习相结合，有效应对温度变化和充电电流波动的影响。具体实验流程如下：

1. 数据处理

对原始循环数据进行处理，提取容量增量特征作为模型输入。

2. 任务分类

这些特征根据不同温度条件被划分为多个任务模块（10℃、25℃、40℃三种温度对应三个任务，两个任务作为源域，一个任务作为目标域），每个任务模块又分为支持集和查询集。

3. 并行网络构建

（1）TCN支路（捕捉局部特征）

TCN 模块的核心功能是捕捉电池健康特征中的局部时序模式（如某一充电片段内的容量增量波动），为后续全局特征融合提供细粒度基础信息。

核心结构与功能如图5所示，TCN的核心组件包括因果卷积、扩张卷积与残差连接：

• 因果卷积：确保网络输出仅依赖当前及历史时刻的输入特征，避免“未来信息泄露”，完全贴合充电容量序列的时序特性（充电过程不可逆，后续数据无法影响前期特征）；
• 扩张卷积：通过在卷积核中设置间隙，在不增加模型参数与计算量的前提下，显著扩大特征感受野，能精准捕捉短周期内“电压-容量”的关联变化（如某一电压区间内的容量增量细微波动）；
• 残差连接：通过“输入特征直接叠加卷积层输出”的设计，缓解深层网络训练中的梯度消失问题，让TCN能稳定学习到电池老化的局部细微特征。

相比传统循环神经网络（RNN/LSTM），TCN支持卷积操作并行化，大幅提升时序特征处理效率；同时，其对局部细节的捕捉能力更强，能有效提取充电片段中与电池老化直接相关的局部特征（如某一电压段容量增量的下降趋势），为SOH估计提供精准的“局部证据”。

（2）Transformer支路（利用自注意力机制(Self-Attention)，捕捉全局依赖）

Transformer模块的核心功能是捕捉健康特征中的全局依赖关系（如不同循环次数、不同充电片段间的容量衰减规律），与TCN形成“局部-全局”特征互补。

核心结构与功能如图6所示，Transformer的核心组件包括编码器、自注意力机制、位置编码与全连接层：

• 自注意力机制：通过计算“查询(Q)-键(K)-值(V)”之间的相似度，自动量化不同充电片段特征的重要性（如第50次循环与第100次循环的容量增量关联度），让模型聚焦对SOH影响更大的关键特征；
• 多注意力头设计：多个注意力头并行工作，可同时学习不同维度的全局依赖关系（如“循环次数-容量增量”“电压区间-容量增量”的关联），提升全局特征的全面性；
• 位置编码：通过正弦/余弦函数为输入特征赋予时序信息，弥补Transformer本身“无天然时序感知能力”的缺陷，确保模型能区分“早期循环”与“晚期循环”的特征差异，贴合电池老化的时序性。

相比TCN的“局部聚焦”，Transformer能跨循环、跨充电片段挖掘全局老化规律（如“随着循环次数增加，所有电压区间的容量增量均呈下降趋势”）；同时，其并行处理机制对长序列数据的适配性更强，能高效处理多循环、多片段的健康特征，为SOH估计提供“全局视角”。

（3）并行网络（拼接两个支路的输出，最后通过全连接层(fc)输出SOH预测值）

传统方法中TCN与Transformer多采用串行连接（如“TCN提取局部特征→Transformer再处理全局特征”），易导致“局部特征被全局特征覆盖”“信息传递延迟(latency)高”的问题，因此本文设计并行架构实现特征协同提取。

并行架构设计逻辑如图4所示，并行网络的核心是让TCN与Transformer独立处理同一健康特征输入，具体流程为：

• 特征输入：将提取的容量增量序列（features）同时输入TCN与Transformer分支；
• 独立特征提取：TCN分支专注捕捉局部时序模式，Transformer分支专注挖掘全局依赖关系，两分支并行计算，互不干扰；
• 特征融合：将两分支输出的特征向量直接拼接，再通过线性变换将高维拼接特征投影为统一维度的融合特征，最终输入全连接层输出SOH估计值。

4. 元学习（内外循环）

（1）介绍

元学习的核心功能是解决“小样本适配”问题——让模型利用过往任务（如某一温度、某一电池类型的SOH估计）的知识，仅用少量目标任务（如新温度、新电池类型）数据快速调整，本文采用模型无关元学习（MAML）框架融入并行网络。MAML核心原理与框架适配如图4所示，元学习通过“双层优化”对并行网络的初始参数进行优化。

（2）关键概念定义

• 任务(Task)：一种具体的工况，比如“10℃下的SOH估计”就是一个任务。我的第一个数据集有三个任务：10℃、25℃、40℃（其中，两个作为源域训练，一个作为目标域测试）。
• 支持集(Support Set)：每个任务里的少量已知数据（比如目标电池的前10%老化循环数据+对应的真实SOH标签）。用于“快速微调”模型。
• 查询集(Query Set)：每个任务里的另外一部分数据（剩余的循环数据+SOH标签），不用于微调，只用于评估/计算损失。
• 内循环(Inner Loop)：针对单个任务的快速学习过程。用支持集做几步（通常1-5步）梯度下降，得到任务专属的模型参数（从初始θ变成θi）。
• 外循环(Outer Loop)：针对很多任务的元优化过程。看内循环后的模型在查询集上表现如何，然后调整共享的初始参数θ，让下次遇到新任务时初始点更好。

（3）MAML训练流程(Meta-Training)

训练时，同时处理多个任务（比如一批batch里有几个不同温度的任务）。假设我们用10℃和25℃做训练（源域），目标是让模型学会怎么适应未来可能的40℃（目标域）。

①采样一批任务（meta-batch）

• 比如采样3个任务：任务A（10℃）、任务B（25℃）、任务C（40℃）。
• 每个任务都有自己的支持集（support）和查询集（query）。

②对于单个任务，做内循环（任务级快速适应）

• 当前模型的共享初始参数是θ（全局的，好比“通用起点”）。
• 用这个任务的支持集计算损失L_support(θ)。
• 做几步梯度下降，参数更新为：θi= θ – α*∇L_support(θ)（α是内循环学习率，小步快调）。
• 现在得到一个自适应模型θi，它已经“微调”适应了比如10℃这个任务的温度特性。

③此时仍在内循环，用查询集评估这个临时模型的表现

• 在自适应模型θi上跑查询集，计算损失L_query(θi)。
• 这个损失代表：“用支持集快速学了几步后，在剩余数据上还能预测多准？”。
• 如果L_query很大，说明初始θ不够好（适应后还差很多）

④外循环：元优化，更新初始参数θ

• 把所有任务的L_query(θi)加起来（或平均）。
• 计算这个总损失对原始θ的梯度：∇_θ[sum L_query(θi)]。【注意：这个梯度是通过内循环链式传播过来的（二阶梯度，很贵，但能学到好的初始化）】
• 用外循环学习率β更新：θ'←θ-β*∇_θ[sum L_query]。
• 结果：θ变得更好——下次遇到新任务，从这个θ开始，只需很少支持集就能快速达到高精度。

⑤重复以上过程，遍历很多epoch，直到θ收敛。

（4）测试阶段(Meta-Testing)

• 给你一个全新任务（比如45℃，从来没见过）。
• 你只有少量数据：支持集（几条循环的容量增量特征+SOH标签）。
• 从训练好的初始参数θ开始，用支持集做内循环（几步梯度下降），得到适应后的θi。
• 然后直接用θi在查询集（剩余数据，无标签或有标签验证）上预测SOH。
• 因为θ已经被元学习优化过，所以几步就适应得很好，预测准。

---

五、实验验证与讨论

1. 超参数调优

（1）超参数优化目标与方法

为确保模型性能最优，研究通过单变量敏感性分析确定关键超参数——即独立调整某一超参数、固定其他参数为初始值，观察其对平均绝对误差（MAE）、平均绝对误差（AAE）、均方根误差（RMSE）的影响，最终筛选出最优参数组合，分析结果汇总于表I中。

表 I  超参数调优的单变量扫描结果

（2）核心超参数最优值与影响分析

• TCN隐藏层维度：对模型性能影响最显著，设置为64时效果最佳——降至32会导致特征提取不充分（MAE=1.78%），升至128则引发过拟合（MAE=2.09%），只有64能在精度与过拟合风险间达到平衡；
• Transformer参数：注意力头数设为4、编码器层数设为2最优——头数增至8虽能小幅降低误差（MAE=1.42%），但会显著提升计算复杂度；层数少于2时特征捕捉能力不足（1层时MAE=2.31%），多于2层则精度提升有限（3层时MAE=1.71%）；
• MAML学习率：外循环学习率0.05、内循环学习率0.005最稳定——任一学习率偏离该值（如外循环0.1或内循环0.001），都会导致训练波动加剧，MAE最高升至2.51%，证明精细调优对模型稳定性的重要性。

2. 与不同算法的对比

（1）对比算法与实验条件

选取4种主流深度学习算法作为对照组：纯Transformer、CNN-LSTM、串行TCN-Transformer、并行TCN-Transformer，以25℃下的电池老化数据为实验对象，从估计曲线趋势、误差波动、定量指标（MAE/RMSE/AAE）三方面对比性能，结果如图7所示。

（2）对比结果分析（对比+消融）

• 纯Transformer缺陷：如图7(b)所示，其初期估计误差波动极大（最高达5.3%），原因是缺乏局部特征提取能力，仅依赖自注意力机制难以捕捉电池短期老化波动；
• 串行与并行架构差异：并行TCN-Transformer因能同时提取局部（TCN）与全局（Transformer）特征，相比串行架构的AAE、RMSE分别降低11.6%、12.9%，估计曲线更贴近参考值（如图7(a)中“Parallel-TCN-Transformer”曲线）；
• 融合MAML的优势：本文提出的“MAML-TCN-Transformer”方法性能最优，如图7(b)所示，其估计误差始终控制在2%以内，定量指标上实现RMSE=0.86%、MAE=1.48%、AAE=0.90%（表II），且虽训练时间（164.4s）与推理时间（55ms）略长，但符合SOH“按充放电循环估计”的实际场景，实用性不受影响。

表 II  不同方法的对比结果

​

3. 不同场景的影响

（1）场景变量与实验设计

以“电压区间ΔV（0.1/0.2/0.3V）、细分段数m（2/5/10）、切片步长S（0.1/0.2/0.3V）”为变量，设计3×3×3=27种特征提取场景（Seg1~Seg27），如表III所示，验证不同参数组合对SOH估计精度的影响，结果如图8所示。

表 III  不同数据段的组合

​

（2）关键结论

• 场景鲁棒性：如图8(a)-(c)所示，所有场景下估计曲线均与参考SOH高度吻合，最大误差未超过3%，证明所提方法对特征提取参数的变化具有强适应性；
• 最优参数组合：当ΔV=0.1V、m=5、S=0.3V时，MAE与RMSE最小（分别为0.88%、0.83%），该组合既能减少对完整充电数据的依赖，又能保留足够的老化特征；
• 最差场景边界：当ΔV=0.3V、m=10、S=0.3V时误差最大（MAE=2.57%、RMSE=1.51%），但仍在可接受范围内，如图8(g)-(i)中“Seg27”对应的误差柱所示，进一步验证方法的可靠性。

4. 不同温度下的验证

（1）对比策略与实验设置

设置两组训练策略：①本文元学习方法（源域预训练+目标域10%数据重训练）；②非预训练并行TCN-Transformer（目标域70%数据直接训练）（普通训练--七三开），在10℃、25℃、40℃下测试SOH估计性能，结果如图9所示。

（2）结果解读

• 精度对比：如图9(d)所示，元学习方法在10℃、25℃、40℃下的最大误差分别为2.58%、2.79%、2.14%，与非预训练方法（2.63%、2.95%、2.18%）几乎持平，但数据用量仅为后者的1/7，证明小样本适配的有效性；
• 误差分布：如图9(e)-(f)所示，元学习方法的误差集中在2.0%左右，虽分布略分散于非预训练方法，但无系统性偏差，且在低温（10℃）下仍能稳定跟踪SOH衰减（如图9(a)中“MAML”曲线），凸显跨温度适应性；
• 数据量阈值：如图9(g)-(i)所示，当重训练数据从5%增至10%时，MAE从3.63%（10℃）降至2.58%，RMSE从1.64%降至1.22%；但数据量超过10%后，误差下降幅度不足5%，因此10%是“数据效率-精度”的最优平衡点。

5. 不同电池材料的验证

（1）跨材料实验设计

以锂钴氧（LiCoO2）电池为测试对象（与训练用NMC电池化学体系不同），其充放电电流（0.55/1A、室温）与预训练数据（10℃、5/10A）差异显著；设置3种重训练数据量（10%/20%/30%），并与“70%数据训练的并行TCN-Transformer”对比，同时引入CALCE数据集（40%-100%SOC循环）验证部分充电场景性能，结果如图10、图11所示。

（2）发现

• 跨材料泛化性：如图10(b)所示，用20%LiCoO2数据重训练时，MAE=1.79%、RMSE=0.60%，仅比70%数据训练的结果（MAE=1.41%、RMSE=0.64%）略差，数据需求减少50%；且误差频率集中在0附近（如图10(a)的误差分布直方图），证明方法对不同化学体系电池的适配性；
• 与现有方法对比：相比BDNN、PSO-MLST-LSTM等方法（表IV），本文方法在数据量减少40%-30%的同时，RMSE降低25.86%以上，且对异常值的鲁棒性更强（更低RMSE）；

表 IV  不同方法的对比结果

​

• 部分SOC场景适配：如图11所示，对CALCE数据集中“40%-100%SOC循环”的电池，用20%数据重训练后，估计SOH与真实值的最大误差<2%，误差分布对称且无偏，证明方法能适配实际中“非满充满放”的使用场景。

---

六、讨论与局限性

（1）方法设计逻辑

• 双挑战应对：元学习（MAML）通过双层优化解决“跨工况数据分布不均”问题——找到对任务变化敏感的初始参数，实现小样本快速适配；TCN-Transformer并行架构则解决“电池老化时序依赖”问题——TCN捕捉短期容量波动，Transformer挖掘长期衰减趋势，二者结合符合电池老化的物理本质（如SEI膜平稳生长与锂沉积突发波动）；
• 实际价值：相比传统方法，本文方法将离线测试周期缩短50%，且无需完整充电数据，更贴近电动汽车BMS的实际应用需求。

（2）现有局限性与未来方向

• 元学习算法单一：未对比Reptile、ProtoNet等其他元学习方法，未来需验证不同元学习框架对SOH估计性能的影响；
• 特征提取缺陷：若充电过程未覆盖任何电压分割段，则无法提取特征，后续需细化电压分割（如减小区间），或融合“部分电压重构完整曲线”的技术；
• 放电条件简化：当前实验假设放电电流恒定，未来需纳入变放电电流、脉冲放电等复杂实际工况；
• 电池组适配不足：未考虑电池组内单体不一致性，后续需研究组级SOH估计方法。

---

七、总结

本研究提出了一种基于并行时间卷积网络(TCN)-Transformer架构的元学习方法，结合模型无关元学习(MAML)，用于多工况下锂离子电池的健康状态(SOH)估计。该方法旨在解决数据变异性与小样本估计难题，为不同类型电池及多运行条件下的SOH精准估计提供了稳健方案。具体而言，研究采用TCN与Transformer相结合的并行架构，强化了跨环境下可迁移关键特征的提取能力；其中，预训练阶段提升了网络的泛化能力，而重训练则确保了小样本场景下SOH的精准估计。通过与Transformer、串行TCN-Transformer、串行CNN-LSTM等主流架构的对比分析，本方法的显著优势得到充分体现：在环境温度与充电电流双重变化的工况下，仅需使用目标电池老化数据的10%，即可实现稳健的SOH估计，且估计误差低于3%。此外，将该方法应用于不同化学体系的电池时，其性能显著优于未预训练的并行TCN-Transformer架构，在均方根误差(RMSE)、平均绝对误差(MAE)与平均绝对误差(AAE)方面分别提升了70.86%、61.52%和74.65%。同时，该方法将离线测试数据需求降低了50%，表明元学习框架能有效缩短电池测试周期。这些研究结果充分证明，所提元学习框架在多场景SOH估计中具有优异效果，凸显了其在实际电池管理系统(BMS)中的应用潜力。

尽管所提方法在不同温度与充电电流条件下均实现了SOH的精准估计，但该方法假设所有实验设置下放电电流保持恒定。未来研究将重点纳入复杂实际放电条件对电池SOH的影响；此外，解决电池组内单体电池一致性差异对SOH估计的影响，也将是未来研究的关键方向。