本文解读发表于《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》。该研究针对锂离子电池在不同正极材料、环境温度以及充放电倍率等复杂工况下，早期退化数据匮乏导致的健康状态（SOH）在线估计难题，提出了一种基于自注意力机制的深度迁移学习（SDTL）估计框架。

一、总体技术框架

电池在实际使用过程中，材料体系差异、环境温差以及充放电倍率波动会导致老化机理和衰退轨迹呈现明显的非线性与异构性。常规的数据驱动模型往往依赖目标工况下全生命周期的大量历史数据；而在新工况或新电池投入初期，仅能获得极少量的早期循环数据。

论文提出的在线健康状态估计框架主要包括四个环节：多工况老化测试与数据采集、多维度健康特征提取与相关性筛选、源工况离线预训练、以及目标工况小样本在线微调。

框架的核心逻辑在于：利用源域电池充足的循环衰退数据进行模型预训练，使其充分学习通用的老化特征映射规律；面对新的目标工况电池时，固定底层通用特征提取模块，仅利用目标电池前期的少量循环数据对顶层回归参数进行微调，从而实现小样本条件下的在线状态适应。

二、数据集构建与健康特征工程

1.实验数据集构成

为验证跨工况与跨材料的适用性，研究采用了两套包含不同化学体系与工况的圆柱形锂离子电池数据集：

• NCM材料体系：采用实验室自主搭建的测试系统，对额定容量相同的镍钴锰三元正极电池进行全生命周期充放电老化实验，充放电条件覆盖了恒流充电及不同放电倍率工况。

• NCA材料体系：使用公开数据集中的镍钴铝正极电池数据，工况覆盖了室温和低温环境，并包含不同放电倍率组合。

2.部分充放电区间的健康特征提取

考虑到电池在实际工况中通常在部分荷电状态区间运行，作者重点选取了充电中高电压区间与放电中段电压区间，从恒流充电电压曲线、恒压充电电流曲线、恒流放电电压曲线以及容量增量（IC）曲线中提取了包含时间、容量、统计矩（均值、方差、偏度、峰度）、曲线斜率及信息熵等维度的多项健康特征候选集。

3.特征筛选机制

不同工作环境对特征退化规律有显著影响。例如，在低温环境下，电池内部反应速率受阻、极化增大，部分依赖于峰值波动的特征相关性会出现明显减弱；在倍率升高时，焦耳热积累加剧，也会导致部分电压特征与健康状态的线性相关程度发生偏移。

研究利用皮尔逊相关系数对全工况下的特征关联度进行了统一考察，最终筛选出在不同温度、材料和充放电倍率下均保持高相关性和稳定退化趋势的三个健康特征作为输入：

• 1.指定放电电压区间内的恒流放电时长；

• 2.指定充电电压区间内的电流信息熵；

• 3.指定充电电压区间内的电流斜率。

三、自注意力网络结构与时间序列划分

模型的核心网络采用自注意力架构来建模电池退化过程中的时序依赖关系，其基本拓扑结构如下：

1.滑动窗口切分与位置编码

对于连续的循环周期数据，采用单步长移动的滑动窗口方式切分时序序列。针对寿命循环跨度差异较大的不同电池批次，设置适配的窗口长度，以平衡时序上下文的完整度与训练样本的充足性。每个切分后的时间片段通过线性映射生成嵌入向量，并与正余弦变换计算出的位置编码相加，以此为模型保留时间步的先后次序信息。

2.多头自注意力模块与前馈计算

多头自注意力层将输入的时序特征投影到多个独立的子空间中并行计算关联权重，捕捉同一退化区间内不同时间步之间的交互影响。各注意头计算得到的结果进行拼接，经线性层投影回原空间，然后依次通过层归一化、包含非线性激活函数的前馈神经网络和丢弃层，有效降低序列退化趋势建模时的过拟合风险。

四、深度迁移学习与参数微调策略

为了使模型能够在极少目标样本下完成迁移并控制运算开销，研究设计了分阶段优化策略：

• 源域预训练阶段：利用包含完整老化周期的源域电池数据（按一定比例划分为训练集与验证集），端到端训练包含多头自注意力层与前馈层的完整网络，通过梯度优化使模型掌握跨周期的通用退化表征。

• 参数冻结与微调阶段：在迁移至目标工况时，保留预训练模型的大部分结构参数，并将输入嵌入层、位置编码层、多头自注意力块及前馈层的参数完全冻结。仅将最终输出的稠密全连接层设置为可训练状态，利用目标电池前部一小部分的循环样本进行参数梯度更新。

冻结早期特征提取层可以保留从源域学到的共性退化模式，避免小样本训练引起的网络特征提取畸变；仅更新顶层输出权重则大幅降低了微调阶段的参数量与优化开销，契合电池管理系统对轻量化计算的要求。

五、实验对比与技术特性分析

在实验验证环节，研究围绕材料差异（NCM与NCA）、温度差异（室温与低温）以及倍率差异（不同放电速率）设立了对比方案：

1.与基础时序深度学习模型对比：在未经过预训练迁移的条件下，将直接从头训练的循环神经网络（长短期记忆网络）与无微调的标准自注意力模型作为基准，对比目标电池不同比例早期数据下的适应能力。

2.与不同迁移学习策略对比：

• 域对抗迁移方法（DAAD）：基于梯度反转层构建域判别器，强制模型提取域无关特征；

• 域自适应方法（DAAP）：在目标函数中引入最大均值差异度量，通过最小化源域与目标域特征分布距离实现对齐；

• 全连接层微调迁移方法（Transformer-TL / LSTM-TL）：与本文类似采用微调顶层的方式，但采用不同的时序特征提取主干。

实验结果表明，在多轮独立重复试验中，相比于从头训练的时序网络，基于预训练加局部微调的迁移机制能够更平稳地拟合真实衰退曲线，减小估计偏差随循环次数增加而放大的现象。同时，相较于引入分布差异约束或对抗损失的域对齐策略，直接基于冻结特征提取器并对顶层全连接层进行微调的方式，在此类电池工况迁移场景中展现出了更高的收敛稳定性与更小的小样本估计波动。

根据论文总结，后续技术优化主要集中在两个方面：一是进一步扩充实验覆盖的电芯批次与不同厂家制造体系，检验特征筛选在更大规模样本下的普适性；二是针对极端工况漂移场景，探索更为自适应的动态窗口与层参数更新方案。

参考文献：

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