Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling
Yuxia Li、Yuanyuan Gao、Xianbao Wang、C Wang、Zi Wang、Chuxiong Wu、Yi-Xiang Wang
3. Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling
- 标题：Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling
- DOI/URL：https://doi.org/10.1038/s41598-026-48906-4
- 期刊/会议/预印本平台：Scientific Reports
- 发表日期：2026-07-23
- 作者和机构：Yongxu Li（College of Arts and Information Engineering, Dalian Polytechnic University）；Yuanyuan Gao、Xianbao Wang、Cui Wang、Zhenyi Wang、Chuxiong Wu、Jiali Wang（School of Mechanical and Electrical Engineering, Qingdao City University）。注意脚本元数据作者名与 Nature 页面略有出入，报告以 Nature 页面为准。
- 通讯作者：Yongxu Li；Jiali Wang（Nature 页面明确 Correspondence to Yongxu Li or Jiali Wang）
- 脚本评分：60
纳入理由和命中证据：全文明确 SOH estimation from incomplete/partial charging data；SOH 定义为当前可充容量与额定容量比值；电池为 lithium-ion，任务直接对应健康状态估计与寿命管理。
创新点：不是直接用 LSTM 从片段回归 SOH，而是先用电压预测任务进行密集监督预训练，迫使 LSTM hidden/cell state 学到极化动态与近期历史，再替换输出头微调用于 SOH 回归。
主要内容：针对实际 EV/储能中充电片段起止 SOC 不固定、历史极化未知导致 SOH 估计不稳的问题，提出 polarization-aware transfer learning。作者强调 source task 不是泛泛迁移，而是与短时电压演化/内部极化状态物理相关。
模型架构/方法流程：LSTM 网络；预训练阶段以 current、voltage、capacity-step 序列预测下一步电压，训练 50 epochs；迁移阶段保留 recurrent parameters，更换输出头进行 SOH regression，再训练 50 epochs。在线测试阶段用 fine-tuned model 从部分充电片段估计 SOH。
输入特征与输出目标：输入为观测的电流、电压、容量步长/容量区间片段；预训练输出为未来 7% nominal capacity 窗口内电压/下一步电压；下游输出为 cycle-level SOH。
数据来源/数据结构/电池类型/循环协议：Severson et al. fast-charging 数据集，124 个商用 LFP/graphite cells，额定容量 1.1 Ah；EOL 定义 80% nominal capacity；充电通常两段 CC 到 3.6 V cutoff 后 CC/CV 到 80% capacity，放电 4C 到 2.0 V；30 °C；cycle life 约 150–2300 cycles。排除一个异常短寿命 outlier，99 个训练 cell、24 个测试 cell。每 cycle 生成 20% nominal capacity 观测窗口，起点从 0% 到 50% 以 1% 滑动。
结果指标：电压预测预训练 MAE 4.3 mV、RMSE 10.2 mV；SOH 估计 MAE 0.91%、RMSE 1.30%。
Baseline/对比方法：直接训练 LSTM：MAE 1.75%、RMSE 2.35%；1D CNN：MAE 0.99%、RMSE 1.41%；Random Forest：MAE 1.80%、RMSE 2.50%。作者也提醒跨论文比较因数据切分、目标、窗口定义不同，不宜直接 apples-to-apples。
泄漏风险/局限性/复现性：单一公开数据集；温度影响未显式建模；固定 train/test split，缺少重复交叉验证；大量同一 cycle/cell 片段样本可能提高近邻相关性，需要确认训练/测试严格按 cell 分离（页面写 99/24 cell split，是积极信号）。未来需要跨化学体系、温度、真实车辆片段验证。
对哥哥研究/落地的启发和后续动作：这篇很适合复现：把“辅助任务密集监督预训练”嵌入现有 SOH/RUL 管线；可以尝试用电压预测、dV/dQ 重建或 relaxation prediction 作为 pretext task，再比较 downstream SOH/RUL 泛化。
查看关键词分类依据
- SOH estimation · 标题包含「soh」
Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling - Transfer learning / domain adaptation · 标题包含「transfer learning」
Transfer learning-based SOH estimation from partial charging data with polarization-aware modelin - Transformer / attention · 摘要包含「transformer」
against recent partial-charging, CNN-based, Transformer-based, and transfer-learning studies. The results support the value of mechanis - LSTM · 摘要包含「lstm」
framework in which a long short-term memory (LSTM) network is first pretrained on a voltage-prediction task and is then fine-tune - CNN · 摘要包含「cnn」
the method against recent partial-charging, CNN-based, Transformer-based, and transfer-learning studies. The results support th - Generic neural network / deep learning · 摘要包含「data-driven」
larization history is unknown. Many existing data-driven methods either rely on handcrafted health indicators or assume relatively fixed - MIT / Severson · 摘要包含「severson」
to future battery response. Using the public Severson fast-charging dataset of 124 commercial lithium iron phosphate/graphite cells, - Self-built / experimental dataset · 摘要包含「in-house」
arying starting positions. Under the matched in-house protocol used in this study, transfer learning reduces the SOH estimation mean - LFP / LiFePO4 · 摘要包含「lithium iron phosphate」
rson fast-charging dataset of 124 commercial lithium iron phosphate/graphite cells, we evaluate the proposed framework on 20%-capacity charging seg