本期分享发表于 Journal of Power Sources 的研究论文《 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》。该工作针对锂离子电池在低温、高放电倍率及早期运行数据匮乏条件下面临的容量衰退评估难题，提出了一种结合多头自注意力机制与参数微调的深度迁移学习方法，致力于实现跨材料体系、跨充放电倍率与跨环境温度的在线健康状态估计。

一、整体研究框架

整个技术方案主要由多工况老化测试、多源健康特征提取与筛选、自注意力模型预训练以及目标域轻量化微调四个模块构成。研究团队采集了镍钴锰酸锂电池在不同倍率下的完整寿命测试数据，并结合公开的镍钴铝酸锂电池数据集，涵盖了不同的正极材料、充放电倍率以及环境温度条件。

二、多源健康特征提取与时序切片

针对不同老化条件对电池电化学响应特性的影响，该方法从充放电电压曲线、充放电电流曲线以及容量增量曲线中提取了覆盖时间、容量、统计矩、曲线斜率及信息熵等多维度的健康特征。

为降低冗余并保证输入特征与健康状态的物理关联性，研究利用相关性分析对候选特征进行筛选。在时序数据输入层面，考虑到实际运行常处于中等荷电状态区间，特征提取聚焦于特定的充放电电压片段；随后采用固定步长的滑动窗口对时间序列进行切片与标准化，以构建适合注意力机制处理的输入张量。

三、自注意力特征提取网络

由于循环退化数据具有非线性和复杂的时序依赖特性，该模型采用多头自注意力机制作为特征提取核心。结构中引入正弦与余弦位置编码，为切片序列提供时间维度的相对位置信息。多头注意力结构将输入投影到不同子空间内分别计算关联权重，捕获退化过程中的短期波动与长期衰减趋势。注意力层的输出经归一化、前馈全连接网络以及残差连接处理后，形成具有强表征能力的高维退化特征。

四、迁移学习与微调策略

针对新工况或新电池初期仅有极少量数据的工程实际，该方法采用参数微调的迁移学习策略：

• 源域预训练：利用已有充足历史运行数据的源域电池完成基础网络训练，使注意力层充分学习电池老化的共性演化表征。

• 目标域轻量微调：当面临新材料或新工况的目标电池时，直接继承源域模型的全部网络参数。在迁移适应过程中，完全冻结底层的自注意力特征提取模块，仅解冻并优化顶层的回归映射层。

• 小样本适应：仅使用目标电池早期极少比例的生命周期数据对顶层参数进行更新，使模型快速适配目标域的退化偏置。这种策略在避免模型过拟合的同时，降低了重新训练的计算开销。

来源文献

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.

https://www.sciencedirect.com/science/article/pii/S0378775325013394