核心内容摘要
完全覆盖 Windows 11/10 PC 上的硬盘
Data-augmented SOH estimation for lithium-ion batteries under small-sample conditions: A hybrid STL-transformer-TimesNet approach 论文基本信息项目内容标题Data-augmented SOH estimation for lithium-ion batteries under small-sample conditions: A hybrid STL-transformer-TimesNet approach期刊Energy (Elsevier, Q1, IF:
4, CiteScore:
16.
作者Hanhua Yang (杨汉华), Simin Peng (彭思敏), Chong Chen (陈冲), Aihua Tang (唐爱华), Quanqing Yu (余全庆), Jianwen Zhang (张建文), Rui Li (李锐)单位武汉理工大学、武汉科技大学等发表时间2025年12月 (在线发表), 2026年正式刊出 (Vol.
DOI
1
1016/j.energy.
2
139463 研究背景与动机
1 核心挑战小样本条件下的SOH估计锂离子电池SOH估计是电池管理系统的核心功能但面临严峻挑战挑战具体表现现有方法局限数据稀缺完整老化周期测试耗时数月标注成本高昂深度学习方法数据饥渴小样本时性能急剧下降复杂时序依赖电池退化具有非线性、非单调性容量再生现象CNN/LSTM难以捕获长距离时序依赖多时间尺度特性退化趋势长期 周期性波动短期单一模型难以同时建模多尺度模式可解释性不足黑盒模型难以解释预测结果缺乏对退化机制的显式建模
2 现有研究的局限性方法类型代表工作局限性传统机器学习GPR, SVR, RF特征工程依赖难以自动捕获复杂时序模式深度学习方法CNN, LSTM, TCN小样本时过拟合缺乏显式时间分解TransformerStandard Transformer计算复杂度高对周期性建模能力有限TimesNetTimesNet (
虽能捕获多周期但小样本下特征学习不充分数据增强传统GAN/VAE生成样本质量低与真实分布差异大 核心创新点
1 改进生成对抗网络Improved GAN用于数据增强核心思想针对小样本条件设计改进的GAN来重建电池退化特征分布扩展样本空间。
关键改进特征级生成在健康特征Health Features空间而非原始数据空间生成退化感知损失引入与SOH相关的物理约束确保生成样本的合理性多样性增强通过条件生成覆盖不同老化阶段优势避免原始数据的高维噪声生成样本具有明确的物理意义有效缓解小样本下的过拟合问题
2 STL时间分解 多模型协同框架核心创新基于Seasonal-Trend decomposition using Loess (STL)将电池退化信号分解为三个组件分别由最适合的模型处理组件物理意义模型选择原因Trend趋势长期容量衰减趋势TimesNet擅长捕获长期依赖和多时间尺度关系Seasonal季节性周期性容量再生/波动TimesNet周期内-周期间关系建模Residual残差随机噪声未建模动态iTransformer处理不规则残差捕获变量间依赖与单一模型的对比方法趋势建模周期建模残差处理小样本适应性LSTM中等弱弱差Transformer强中等强差TimesNet强强弱中等本文方法 (STL-T-T)强强强强
3 生成增强的多模态时间协同框架整体架构原始小样本数据 ↓ [改进GAN] → 生成增强数据特征级 ↓ [STL分解] → Trend Seasonal Residual ↓ ├─→ [TimesNet] → Trend预测 ├─→ [TimesNet] → Seasonal预测 └─→ [iTransformer] → Residual预测 ↓ [融合] → 最终SOH估计关键优势解耦学习不同组件独立建模降低学习难度模态协同Trend和Seasonal共享TimesNet参数Residual专用iTransformer数据效率分解后的组件更简单小样本下更易学习 方法论详解
1 改进GAN的数据增强输入原始健康特征序列X ∈ R N × F X \in \mathbb{R}^{N \times F}X∈RN×FN个样本F个特征生成器架构编码器提取退化特征分布解码器生成新的健康特征序列条件输入SOH值作为条件确保生成样本的老化合理性判别器区分真实样本与生成样本引入特征匹配损失Feature Matching Loss稳定训练损失函数L G A N L a d v λ f m L f m λ p h y L p h y \mathcal{L}_{GAN} \mathcal{L}_{adv} \lambda_{fm} \mathcal{L}_{fm} \lambda_{phy} \mathcal{L}_{phy}LGANLadvλfmLfmλphyLphy其中L p h y \mathcal{L}_{phy}Lphy为物理一致性损失确保生成特征的退化趋势合理。
2 STL时间分解STL算法趋势组件Trend通过Loess平滑捕获长期变化季节组件Seasonal提取周期性模式如容量再生周期残差组件Residual去除趋势和季节后的剩余信号数学表达S O H ( t ) T ( t ) S ( t ) R ( t ) SOH(t) T(t) S(t) R(t)SOH(t)T(t)S(t)R(t)其中T ( t ) T(t)T(t): 趋势项长期退化S ( t ) S(t)S(t): 季节项周期性波动R ( t ) R(t)R(t): 残差项随机噪声
3 TimesNet for Trend SeasonalTimesNet核心机制周期内-周期间建模将1D时间序列转化为2D张量周期长度×周期数2D卷积捕获周期内变化列和周期间演变行多周期融合自适应处理多个时间尺度为什么适合Trend和SeasonalTrend需要长期依赖建模 → TimesNet的周期间分支Seasonal需要周期性建模 → TimesNet的周期内分支
4 iTransformer for ResidualiTransformer创新点倒置架构将变量特征作为Token而非时间步变量间依赖通过自注意力捕获不同健康特征间的关系高效性避免长序列的自注意力计算为什么适合Residual残差信号不规则难以用周期建模iTransformer擅长捕获特征间复杂依赖对噪声鲁棒适合处理随机残差 实验与结果
1 实验设置数据集NASA数据集18650锂电池B0005, B0006, B0007CALCE数据集多种化学体系电池MIT数据集不同工况下的电池数据对比方法传统方法LSTM, CNN, GRU先进方法Transformer, TimesNet, iTransformer数据增强方法标准GAN, VAE评估指标RMSE均方根误差MAE平均绝对误差R²决定系数
2 主要实验结果核心结果RMSE全部控制在1%以内方法RMSE (%)MAE (%)R²分析LSTM
3.
52.
8
85小样本下过拟合CNN
3.
22.
6
87局部特征缺乏时序建模Transformer
2.
82.
2
89计算量大小样本性能下降TimesNet
2.
11.
7
93多周期建模有效iTransformer
2.
31.
9
92变量间依赖建模强本文方法
1.
00.
8
98显著优于所有基线关键发现小样本优势在仅10%标注数据时本文方法RMSE
9%而TimesNet
1%跨数据集泛化在NASA、CALCE、MIT三个数据集上均保持RMSE1%数据增强有效性改进GAN使有效样本量扩大
倍
3 消融实验Ablation Study实验1模块有效性验证配置RMSE (%)分析基线 (TimesNet)
1单一模型小样本受限 STL分解
1.
6
8%解耦学习有效 iTransformer (Residual)
1.
3
8%残差处理关键 改进GAN增强
1.
0
1%数据增强显著实验2不同分解组件的模型选择Trend模型Seasonal模型Residual模型RMSE (%)分析LSTMLSTMLSTM
8均不擅长TimesNetTimesNetLSTM
5Residual处理弱TimesNetTimesNetTransformer
2计算量大TimesNetTimesNetiTransformer
0最优组合实验3数据增强对比增强方法生成样本质量RMSE (%)训练稳定性无增强-
8稳定标准GAN低噪声多
5不稳定VAE中模糊
4稳定改进GAN高物理一致
0稳定
4 可视化分析STL分解可视化Trend组件平滑下降曲线反映长期老化Seasonal组件周期性波动对应容量再生现象Residual组件随机噪声幅值较小预测结果可视化本文方法预测曲线紧密跟随真实SOH在容量再生点非单调区域预测准确对比方法在再生点出现明显偏差 贡献与意义
1 理论贡献小样本学习新范式提出数据增强时间分解多模型协同的三位一体框架物理启发的时间分解将STL引入电池SOH估计显式建模退化机制生成增强策略改进GAN在特征空间生成保证样本物理一致性
2 实践贡献贡献价值极端小样本下的高精度RMSE1%满足BMS在线应用需求计算效率相比标准Transformer计算量减少50%可解释性STL分解提供退化趋势、周期、噪声的显式分离即插即用框架可扩展至其他时序预测任务
3 对领域的影响电池管理算法为小样本条件下的SOH估计提供实用解决方案时间序列分析STL多模型协同框架可推广至其他领域如设备健康监测生成模型应用特征级生成策略为工业数据增强提供新思路⚠️ 局限性与未来方向局限性可能解决方案依赖预定义健康特征开发端到端学习自动发现最优特征STL参数需人工设置自适应STL自动确定周期长度仅验证离线数据在线学习机制适应分布漂移单电池建模扩展到电池组考虑不一致性 引用信息article{yang2026data, title{Data-augmented SOH estimation for lithium-ion batteries under small-sample conditions: A hybrid STL-transformer-TimesNet approach}, author{Yang, Hanhua and Peng, Simin and Chen, Chong and Tang, Aihua and Yu, Quanqing and Zhang, Jianwen and Li, Rui}, journal{Energy}, volume{342}, pages{139463}, year{2026}, publisher{Elsevier}, doi{
1
1016/j.energy.
2