2026年2月，TRANS课题组最新研究成果《Battery state-of-health estimation via thermoelectric graph learning and interpretable temporal decomposition for real-world electric vehicles》发表于能源领JCR一区期刊《Journal of Energy Storage》（影响因子9.8）。本研究基于以下四大关键技术路径，构建了一种面向真实道路运行环境的动力电池健康状态估计框架，实现了对车辆电池健康度老化过程的高精度建模、可解释分析、跨车辆泛化以及用户行为影响量化：
- 面向电池包内部非一致性的热电动态图建模：以电池包单体电压与温度为节点特征，构建动态图注意力网络，自适应学习单体间随工况变化的热电耦合关系，刻画实车运行条件下电池包内部空间异质性及其动态演化特征。
- 可解释的时间序列健康度老化分解机制：引入基于N-BEATS的时间序列分解模型，将电池健康演化过程拆解为具有明确物理含义的趋势分量与局部偏差分量，使电池健康度（SOH）预测结果具备可追溯的结构表达与稳定的长期演化描述。
- 空间–时间协同的健康状态估计框架：通过将热电图嵌入与时间建模模块进行耦合，使时间序列建模能够随电池包空间状态自适应调整，有效提升模型在多工况、多使用模式下的预测精度与鲁棒性。
- 面向实车场景的泛化与行为敏感性分析：结合参数高效迁移策略与充电行为量化指标，对跨车辆SOH估计性能及快充偏好等典型使用行为对老化程度与误差分布的影响进行系统分析，为个性化电池健康管理提供定量依据。
该研究在大规模真实道路运行数据上系统验证了方法的有效性，为复杂使用条件下动力电池健康状态评估与个性化电池管理策略提供了重要的定量依据与方法支撑。
论文第一作者为TRANS课题组实习生吕志隆，通讯作者为欧士琪教授、合作作者包括TRANS课题组博士生景浩、华南理工大学东淏博副教授、湖北文理学院石大排教授、加利福利亚大学戴维斯分校赵竟园博士。该研究得到了国家重点研发计划项目资助以及广东省人才引进团队项目的支持。
✨ 论文摘要
准确且可解释的健康状态（SOH）估计对于电动汽车（EVs）的安全高效运行至关重要。然而，现有的数据驱动方法难以捕捉电池单体间的空间异质性以及用户特定充电行为所带来的变异性。这些局限性往往导致泛化能力差和可解释性有限。为了应对这些挑战，本研究提出了一个框架，该框架结合动态图注意力网络（DGAT）和用于可解释时间序列预测的神经基扩展分析（N-BEATS），以实现空间建模和可解释性。该框架基于来自300辆EVs的真实道路运行数据进行验证，数据规模约为8.5亿条时序数据点。结果表明，所提出的方法显著优于先进的基线方法，实现了1.22%的均方根误差和0.98%的平均绝对百分比误差（MAPE）。此外，通过引入基于适配器的迁移学习策略，在仅使用10%目标域数据的情况下，模型仍能保持1.43%的MAPE，展现出良好的数据效率与泛化能力。除了估计精度外，所提出的相对充电偏好（RCP）指标对用户行为进行了量化，结果显示，RCP大于0.8的用户其电池健康度老化率高出38.1%，且SOH估计误差超过20%。这些发现凸显了所提出的DGAT-N-BEATS框架在时空建模、泛化能力和可解释性方面的优势，展示了其在电池健康管理应用中的巨大潜力。
✨ 研究流程框架
图 论文研究方法框架图
✨ 主要方法
（1）研究数据
本研究采用了两个不同维度与来源的真实车辆数据集，旨在兼顾深度学习模型的大规模训练需求与跨车型泛化能力的严格验证。
- 大规模基准数据集（Dataset #1）：来源于300辆退役电动汽车的长期运行数据，覆盖了从0至50万公里的广泛里程分布及0.5至4年的服役周期。该数据集包含高达8.5亿条高频采样记录，详细记录了SOC、车速、电压、电流及单体级电压温度等关键参数，为捕捉复杂工况下的非线性健康度老化规律提供了海量数据支撑。
- 迁移泛化数据集（Dataset #2）：包含5辆实车连续1年的运营监测数据（约468万条记录）。该数据集的车辆具有与基准数据集截然不同的电池配置（如额定容量、单体串联数量差异），用于评估模型在数据稀缺情况下的跨系统迁移学习能力。
图 实车运行数据的统计分布图
（2）特征工程
本研究结合电池老化机理与工程经验，从时序和空间两个维度构建了11项健康状态特征作为模型输入。这些特征包括累计里程（反映长期循环）、充电容量与电流/功率（表征用户充电策略）、充电容量与电流/功率（表征用户充电策略）、以及单体电压与温度的极值（捕捉内部电热场的不一致性）等。通过时空特征的融合，模型能够有效捕捉导致电池性能衰退的潜在模式。
图 电池健康特征的相关性热力图
（3）模型架构设计
- 动态图注意力网络（DGAT）
不同于传统方法依赖固定的电池包物理拓扑，本研究设计的DGAT模块能够“实时构建图结构。通过利用多头注意力机制，能够直接从原始的单体电压和温度数据中实时推断电池单体间的连接权重。这种动态推断机制能够自适应地捕捉随工况和老化状态演变的热电耦合关系，从而有效提取电池单体间复杂的、非平稳的空间依赖特征。
- 可解释时序分解（N-BEATS）
在时间维度上，模型摒弃了传统的黑箱预测模式，采用基于残差连接的深度堆叠架构。该模块利用多项式基函数，将复杂的电池容量序列分解为具有明确物理意义的分量。具体而言，它能够将长期的容量衰减趋势与由操作变化引起的短期波动剥离开来。该设计不仅提升了预测精度，更赋予了模型强大的可解释性，使其能够清晰地归因老化趋势。
图 DGAT-N-BEATS模型框架图
（4）基于Adapter微调的迁移学习
面对不同车型电池包配置（如串联电池数量不同）的差异，本研究采用了一种参数高效的微调策略。在迁移至新车型时，冻结预训练模型90%以上的参数，仅更新插入在网络层间的轻量级Adapter模块。该方法不仅大幅降低了计算成本，而且有效避免了在小样本数据下的过拟合问题。
图 基于Adapter微调的跨车辆迁移学习框架图
✨ 主要结果
（1）所提方法的容量估计结果分析
基于300辆实车数据的规模化验证显示，DGAT-N-BEATS模型在所有指标上均优于其他基线方法，其均RMSE低至1.22%，MAPE仅为0.98%。此外，所提模型在实车电池长周期的容量衰减下准确拟合了电池容量随里程衰退的非线性轨迹，验证了其在真实多变工况下估计准确性。
图 本模型与基线模型的容量估计结果对比图
图 电池容量衰退轨迹估计结果图
（2）跨车型迁移泛化性能分析
基于轻量化Adapter微调策略，本研究在冻结预训练骨干网络、仅更新极少量参数的情况下，将模型从源域（300辆车）迁移至具有不同电池配置的目标车型（Dataset #2），验证了模型卓越的跨系统泛化能力与数据效率。在仅使用10%目标域数据的条件下，模型即可实现1.43%的MAPE；此外，随着微调数据比例增加至70%，MAPE降至0.84%，显著优于未微调模型高达5.70%的误差水平。
图 基于Adapter微调的跨车型迁移SOH估计结果图
（3）所提模型的可解释性分析
本研究构建了内嵌物理意义的透明化架构，打破了传统深度学习的“黑箱”限制。通过注意力机制，模型能精准锁定导致衰退的关键单体电芯，量化结果显示电压与温度极值特征贡献了超50%的权重。同时，模型将容量衰减序列解耦为代表不可逆老化的长期趋势与代表工况影响的短期波动，为SOH估计提供了直观可靠的物理依据。
图 基于DGAT-N-BEATS模型估计电池SOH的可解释性分析图
（4）行为驱动的衰退与性能分析
本研究通过RCP指标，深入量化了不同充电习惯对电池老化的实际影响。结果表明，高频快充（RCP>0.8）不仅导致电池容量衰减速率激增38.1%，更显著增加了SOH估计的不确定性。这一发现揭示了快充行为与电池寿命之间的非线性关联，为制定差异化的电池维护策略提供了关键的量化依据。
图 用户充电行为、健康度老化及模型估计误差的影响分析图
✨ 结论与未来工作
本研究提出了一个统一且可解释的电动汽车电池SOH估计框架，该框架将DGAT与N-BEATS相结合。主要结论和贡献总结如下：
（1）所提出的架构通过从车辆电池包的单体级电压和温度数据动态构建热电图，并将长期SOH轨迹分解为可解释的多项式趋势，有效地捕捉了电池健康度老化的时空演变。这种设计克服了在可解释性和动态电池单体间依赖关系建模方面的局限性。
（2）利用300辆电动汽车的运行数据进行的广泛验证表明，DGAT-N-BEATS框架显著优于传统基准模型，实现了1.22%的RMSE、0.98%的MAPE和0.88的R²。
（3）基于适配器的迁移学习策略证实了其强大的跨系统适应性，仅使用10%的目标域数据即可保持可靠的精度。
（4）所提出的RCP指标揭示了用户充电行为对电池健康度老化的显著影响。具体而言，快充用户（RCP＞0.8）的容量衰减速度高达38.1%，这为基于行为的维护策略提供了定量支持。
（5）可解释性分析表明，与电压和温度相关的特征对预测的贡献超过50%。这些发现与已知的电化学老化机制高度一致，验证了该模型捕捉到了有意义的物理趋势。
未来的研究将把所提出的框架扩展到更广泛的电池化学体系，包括固态电池、钠离子电池和高镍正极系统，以评估其在下一代技术中的适应性。为了促进实际部署，研究将重点优化该框架的计算效率和内存占用，使其能够在嵌入式电池管理硬件上进行实时推理。此外，考虑到电池端子处测量的温度可能因老化引起的热接触电阻变化而与电池内部状态存在偏差，未来的工作将研究整合热电阻校正的方法，以进一步提高诊断精度。最后，将致力于将该框架与预测性维护以及云-边协同架构相结合，以提高其在大规模电池管理系统中的可扩展性和应用潜力。
✨ 原文链接（或点击阅读全文查看）
https://www.sciencedirect.com/science/article/pii/S2352152X26006201
CITATION:
Lv, Z., Ou, S., Jing, H., Dong, H., Shi, D., & Zhao, J. (2026). Battery state-of-health estimation via thermoelectric graph learning and interpretable temporal decomposition for real-world electric vehicles. Journal of Energy Storage, 153, 120956.
感谢您的关注，敬请期待更多团队动态！
初稿：吕志隆
排版：高伟敏
终审：欧士琪