BatteryMFormer：多层级学习用于电池退化轨迹预测

# BatteryMFormer：电池退化轨迹预测的多层次学习 来源：https://arxiv.org/html/2605.27044 Ruifeng Tan可持续能源与环境学域，香港科技大学（广州）广州中国rtan474@connect\.hkust\-gz\.edu\.cn (https://arxiv.org/html/2605.27044v1/mailto:[email protected])Jintao Dong计算机科学与工程学院，中南大学长沙中国jintaodong@csu\.edu\.cn (https://arxiv.org/html/2605.27044v1/mailto:[email protected]),Weixiang Hong可持续能源与环境学域，香港科技大学（广州）广州中国whong719@connect\.hkust\-gz\.edu\.cn (https://arxiv.org/html/2605.27044v1/mailto:[email protected]),Jia Li数据科学与分析学域，香港科技大学（广州）广州中国jialee@ust\.hk (https://arxiv.org/html/2605.27044v1/mailto:[email protected]),Jiaqiang Huang可持续能源与环境学域，香港科技大学（广州）广州中国seejhuang@hkust\-gz\.edu\.cn (https://arxiv.org/html/2605.27044v1/mailto:[email protected])和张统一材料基因组工程研究院，上海大学上海中国先进材料学域与可持续能源与环境学域，香港科技大学（广州）广州中国mezhangt@hkust\-gz\.edu\.cn (https://arxiv.org/html/2605.27044v1/mailto:[email protected]) \(2026\) ###### 摘要\. 早期电池退化轨迹预测（BDTF）旨在从早期运行数据预测全生命周期的健康状态轨迹，对于电池优化、制造和部署至关重要。电池退化数据呈现两个关键特征。首先，退化数据具有多层次结构，包括老化条件下共享的规律性以及电池间共享的轨迹模式。其次，电压-电流曲线中与退化相关的变化通常局限于特定的荷电状态（SOC）区间。现有方法往往未能显式建模这些特征。为弥合这一差距，我们提出 BatteryMFormer，一种用于早期 BDTF 的多层次 Transformer。BatteryMFormer 集成了 (1) 一个老化条件感知解码器，通过老化条件信息查询和老化条件感知注意力注入老化条件先验知识；(2) 一个元退化模式记忆模块，学习和检索轨迹原型以指导长期预测；(3) 一个双视角编码器，从电压和电流时间序列中联合捕捉时间动态和 SOC 局部变化。在四个电池领域的广泛实验表明，BatteryMFormer 持续优于最先进的基线方法，标志着向可靠 BDTF 迈出了重要一步。我们的代码可在 https://github.com/Ruifeng-Tan/BatteryMFormer 获取。 材料信息学，电池信息学，时间序列 ††journal年:2026††版权:cc††会议:第32届ACM SIGKDD知识发现与数据挖掘会议 V.2；2026年8月9日至13日，韩国济州岛††书标题:第32届ACM SIGKDD知识发现与数据挖掘会议 V.2 (KDD ’26)，2026年8月9日至13日，韩国济州岛††doi:10\.1145/3770855\.3818948††isbn:979\-8\-4007\-2259\-2/2026/08††ccs:信息系统 数据挖掘## 1\.引言 可充电电池在现代工业中无处不在，为从电动汽车和电网级储能到便携式电子设备等各种应用提供动力\(Huang等，2022 (https://arxiv.org/html/2605.27044#bib.bib74); Tao等，2023 (https://arxiv.org/html/2605.27044#bib.bib34); Zhang等，2025b (https://arxiv.org/html/2605.27044#bib.bib15); Tan等，2025a (https://arxiv.org/html/2605.27044#bib.bib14)\)。2024年，全球电池出货量超过1545 GWh，预计到2030年将达到4700 GWh\(Zheng等，2026 (https://arxiv.org/html/2605.27044#bib.bib102); Fleischmann等，2023 (https://arxiv.org/html/2605.27044#bib.bib17)\)。这种快速增长凸显了对先进建模框架的需求，以支持电池优化、制造和部署\(Li等，2025 (https://arxiv.org/html/2605.27044#bib.bib18); Tan等，2024 (https://arxiv.org/html/2605.27044#bib.bib59); Zhang等，2025a (https://arxiv.org/html/2605.27044#bib.bib48); Severson等，2019 (https://arxiv.org/html/2605.27044#bib.bib71); Attia等，2020 (https://arxiv.org/html/2605.27044#bib.bib62)\)。特别是，电池退化轨迹预测（BDTF），即预测从寿命开始到寿命结束的电池健康状态（SOH）轨迹，占据着关键前沿。通过从早期运行数据预测全生命周期退化轨迹，BDTF 能够加速退化评估并及时维护电池供电系统\(Tan等，2024 (https://arxiv.org/html/2605.27044#bib.bib59); Li等，2021 (https://arxiv.org/html/2605.27044#bib.bib22); Huang等，2026 (https://arxiv.org/html/2605.27044#bib.bib19)\)。机器学习（ML）模型最近成为 BDTF 的有前途解决方案。现有方法主要分为基于特征工程的方法和基于表示学习的方法。基于特征工程的方法利用领域知识从电压和电流时间序列（图1 (https://arxiv.org/html/2605.27044#S1.F1)a）设计描述符\(Tao等，2025 (https://arxiv.org/html/2605.27044#bib.bib82); Li等，2024a (https://arxiv.org/html/2605.27044#bib.bib90); Meng等，2024 (https://arxiv.org/html/2605.27044#bib.bib11)\)，但这些特征通常针对特定协议或数据集，在多样化老化条件下可能不可用或无效。基于表示学习的方法则侧重于学习从原始测量到未来 SOH 轨迹的映射\(Li等，2021 (https://arxiv.org/html/2605.27044#bib.bib22),2022 (https://arxiv.org/html/2605.27044#bib.bib83); Tan等，2024 (https://arxiv.org/html/2605.27044#bib.bib59); Liu等，2025b (https://arxiv.org/html/2605.27044#bib.bib8); Huang等，2026 (https://arxiv.org/html/2605.27044#bib.bib19); Tan等，2025b (https://arxiv.org/html/2605.27044#bib.bib98); Huang等，2024 (https://arxiv.org/html/2605.27044#bib.bib9); Shen等，2025 (https://arxiv.org/html/2605.27044#bib.bib89)\)。一种直观的建模选择是将 BDTF 视为通用时间序列预测，并使用通用时间序列预测器（如 Informer\(Zhou等，2021 (https://arxiv.org/html/2605.27044#bib.bib79)\)）从历史 SOH 外推未来 SOH\(Li等，2021 (https://arxiv.org/html/2605.27044#bib.bib22),2022 (https://arxiv.org/html/2605.27044#bib.bib83); Tan等，2024 (https://arxiv.org/html/2605.27044#bib.bib59); Liu等，2025b (https://arxiv.org/html/2605.27044#bib.bib8); Shen等，2025 (https://arxiv.org/html/2605.27044#bib.bib89)\)。虽然在某些设置中有效，但早期循环的 SOH 在长期轨迹差异很大的电池之间可能几乎无法区分，因此仅以 SOH 作为输入进行预测可能不适合早期 BDTF（图1 (https://arxiv.org/html/2605.27044#S1.F1)b）。这一局限性促使人们对利用细粒度电压-电流曲线进行预测的模型越来越感兴趣\(Huang等，2026 (https://arxiv.org/html/2605.27044#bib.bib19); Tan等，2025b (https://arxiv.org/html/2605.27044#bib.bib98); Huang等，2024 (https://arxiv.org/html/2605.27044#bib.bib9)\)。 参见图注 图 1\. BDTF 中多层次学习的动机。\(a\) 部分运行电压和电流时间序列示例。\(b\) 不同老化条件下的 SOH 轨迹。\(c\) 三种典型轨迹形状示意图。\(d\) 超出典型形状的额外轨迹现象示例。尽管取得了这些进展，当前模型仍存在两个关键的研究空白。首先，这些方法在*电池级别*运行，并未显式建模退化的*多层次结构*。处于相同老化条件（如规格、化成和运行条件）下的电池表现出一致的运行模式，先前研究表明，类似老化条件下的电池可以通过少量手工设计的描述符来表征\(Severson等，2019 (https://arxiv.org/html/2605.27044#bib.bib71); Weng等，2021 (https://arxiv.org/html/2605.27044#bib.bib94); Kim等，2023 (https://arxiv.org/html/2605.27044#bib.bib92); Tao等，2025 (https://arxiv.org/html/2605.27044#bib.bib82); Li等，2022 (https://arxiv.org/html/2605.27044#bib.bib83)\)。然而，现有模型未能促进*老化条件一致*的表示。此外，尽管轨迹看似多样，但已建立的电池知识\(Attia等，2022 (https://arxiv.org/html/2605.27044#bib.bib10)\)表明，其*全局形状高度结构化*，通常属于与常见机制相关的少量模式家族（图1 (https://arxiv.org/html/2605.27044#S1.F1)c）。可能出现初始容量上升\(Severson等，2019 (https://arxiv.org/html/2605.27044#bib.bib71)\)和容量再生\(Huang等，2024 (https://arxiv.org/html/2605.27044#bib.bib9)\)等额外现象（图1 (https://arxiv.org/html/2605.27044#S1.F1)d），但合理轨迹的空间仍然受限。其次，电压-电流曲线中与退化相关的变化通常集中在特定的 SOC 区间内（图2 (https://arxiv.org/html/2605.27044#S2.F2)），因为底层电化学机制可能表现为沿 SOC 轴的局部电化学信号变化（例如相变）\(Tan等，2024 (https://arxiv.org/html/2605.27044#bib.bib59); Brik等，2017 (https://arxiv.org/html/2605.27044#bib.bib24)\)。然而，大多数方法要么强调时间建模，要么均匀处理 SOC 区间，从而稀释了局部信号。为解决这些局限性，我们提出 **BatteryMFormer**（电池多层次 Transformer），一种新颖的深度学习架构，整合了老化条件、轨迹模式和电池特定表示之间的多层次学习。BatteryMFormer 包含三个主要组件：(1) 老化条件感知解码器，通过老化条件信息查询和老化条件感知注意力注入老化条件先验知识，以促进老化条件一致的表示；(2) 元退化模式记忆模块，学习和检索原型轨迹模式以指导长期预测；(3) 双视角编码器，从电压-电流曲线中捕捉互补的时间动态和 SOC 局部变化。本文的主要贡献总结如下： - •我们识别并形式化了早期 BDTF 的多层次结构，包括老化条件规律性、电池间共享的轨迹模式以及运行数据中的 SOC 局部退化特征。 - •我们提出 BatteryMFormer，一种多层次 Transformer，集成了 (i) 老化条件感知解码器，(ii) 元退化模式记忆模块，以及 (iii) 具有时间视角和 SOC 视角的双视角编码器。 - •我们进行了广泛的实验评估，结果表明我们的方法在来自最大公共真实世界电池寿命数据库的四个电池领域中均表现出优越性能。 ## 2\. 预备知识 ### 2\.1\. 老化条件 我们使用老化条件来表示记录的实验设置和电池规格，这些决定了电池的退化机制。在本文中，老化条件表示为一个老化因子元组，包括正极、负极、电解液、封装结构、标称容量、制造商、化成协议、充电协议、放电协议和运行温度。不同的因子元组对应不同的老化条件。在不同老化条件下运行的电池可能表现出不同的退化轨迹（图1 (https://arxiv.org/html/2605.27044#S1.F1)b）和电压-电流曲线模式（图2 (https://arxiv.org/html/2605.27044#S2.F2)）\(Tan等，2025b (https://arxiv.org/html/2605.27044#bib.bib98); Zhang等，2025a (https://arxiv.org/html/2605.27044#bib.bib48); Tan等，2025a (https://arxiv.org/html/2605.27044#bib.bib14)\)。 ### 2\.2\. 退化轨迹 退化轨迹通过重复循环测量得到，每个循环包含充电和放电过程。遵循先前工作\(Tan等，2025b (https://arxiv.org/html/2605.27044#bib.bib98); Ma等，2022 (https://arxiv.org/html/2605.27044#bib.bib63); Severson等，2019 (https://arxiv.org/html/2605.27044#bib.bib71)\)，我们将循环 \(i\) 的放电容量计算为 \(1\) \(Cap_i = \int_{t_1}^{t_2} |I(t)| dt\)，其中 \(t_1\) 和 \(t_2\) 表示放电过程的开始和结束时间，\(I(t)\) 是时间 \(t\) 时的测量电流，使用 \(|I(t)|\) 使定义与符号约定无关。循环 \(i\) 时的健康状态（SOH）定义为 \(2\) \(SOH_i = \frac{Cap_i}{Cap_0 \times DoD}\)，其中 \(DoD\) 是放电深度，\(Cap_0\) 表示所有数据集（除 CALB 外）的标称容量，对于 CALB，\(Cap_0\) 定义为遵循 BatteryLife 中 CALB 协议\(Tan等，2025b (https://arxiv.org/html/2605.27044#bib.bib98)\)的首循环放电容量。 参见图注 图 2\. 电压-电流曲线中的 SOC 局部退化特征。两种代表性老化条件下前 100 个循环的电压-SOC（顶部）和电流-SOC（底部）曲线。尽管全局曲线随循环逐渐演变，但与老化相关的偏差可能集中在特定 SOC 区间内（虚线框）。 ### 2\.3\. 任务形式化 遵循先前工作\(Zhang等，2025a (https://arxiv.org/html/2605.27044#bib.bib48); Severson等，2019 (https://arxiv.org/html/2605.27044#bib.bib71); Tan等，2025b (https://arxiv.org/html/2605.27044#bib.bib98)\)，我们使用前 \(S \leq 100\) 个循环作为早期阶段，并预测观测窗口之后的 SOH 轨迹。我们用 \(\mathbf{a}\) 表示电池可用的老化条件元数据，包括记录的实验设置和规格。令 \(\mathbf{X}_i\) 表示循环 \(i\) 的运行数据，包括电压和电流时间序列（以及从 \(\mathbf{a}\) 和这些早期循环测量中推导出的任何辅助变量，例如容量和 SOC）。我们将早期输入定义为有序序列 \(3\) \(\mathbf{G}_{1:S} = (\mathbf{X}_{1:S}, \mathbf{a}), \mathbf{X}_{1:S} = [\mathbf{X}_1, ..., \mathbf{X}_S]\)。我们用 \(t_{eol}\) 表示寿命终止（EOL）循环索引，定义为 SOH 首次低于阈值 \(\tau\) 的循环（附录 A (https://arxiv.org/html/2605.27044#A1)）。令 \(\mathbf{y}_{1:t_{eol}} \in \mathbb{R}^{t_{eol}}\) 表示测量的 SOH 轨迹。早期 BDTF 的目标是学习一个预测模型 \(f(\cdot)\)，在给定前 \(S\) 个循环的情况下预测未来的 SOH 轨迹：\(4\) \(\hat{\mathbf{y}}_{S+1:t_{eol}} = f(\mathbf{G}_{1:S})\)。 参见图注 图 3\. BatteryMFormer 概述。左侧：双视角编码器（时间视角和 SOC 视角）。中间：