近期，我院2023级硕士研究生余意在《Journal of Energy Storage》期刊发表《One-shot prediction of cross-chemistry Li-ion battery aging trajectories via computational data augmentation and knowledge transfer》学术论文，指导教师为黄捷老师、周宇老师，其中黄捷教授为本文第一作者，周宇老师为本文通讯作者。

研究背景

随着全球环境意识的不断提升以及对可持续能源解决方案需求的日益增长，新能源汽车的发展进程显著加快。锂离子电池凭借其高能量密度、长循环寿命和低自放电率等优势，已成为新能源领域中占据主导地位的储能技术。准确评估电池状态不仅有助于提升用户使用过程中的安全性与可靠性，还能有效降低潜在的安全风险。

然而，当前主流的电池寿命预测方法通常依赖多次迭代预测来重构完整的老化趋势，这不仅显著增加了模型的复杂度，也限制了对未来老化行为的精准预判。此外，数据驱动方法往往需要大量高质量的实验数据进行模型训练，在实际应用中常因数据获取成本高、周期长而面临小样本困境，进一步制约了其推广与实用性。

因此，亟需发展一种能够一次性准确预测电池未来完整老化轨迹的新方法，并结合有效的小样本数据增强技术，以在有限训练样本条件下提升模型的泛化能力和预测精度。

成果介绍

为应对这些计算信息学方面的挑战，论文提出了一种知识增强的电池老化轨迹一次性预测框架，该框架将计算数据增强技术与跨化学知识传递机制协同整合在一起。所提出的框架能够在电池老化早期阶段对容量退化轨迹进行准确的一次性预测，即便训练样本数量有限。本工作的主要贡献总结如下：

(1)开发了一种基于时间域转换的数据增强方法，该方法能够生成在物理上保持一致的合成老化轨迹，有效丰富目标数据集中的老化相关信息，同时显著增加训练样本的数量。此外，还提出了一种可迁移表示学习框架，通过利用跨域知识从源域数据中提取通用的退化模式，从而实现了跨化学体系锂离子电池领域知识的自适应融合。

(2)提出了一种基于序列到序列的一次性老化轨迹预测模型。该模型展现出通过一次历史状态输入即可预测完整未来容量退化轨迹的能力。值得注意的是，该框架能够处理长度不一的输入序列，而随着更多历史信息的获取，其预测性能会逐渐提升，从而能够实现更为精准的轨迹预测。

(3)通过全面相似性分析，证明所提出的数据增强方法生成的数据与原始数据在分布上高度吻合。针对大型公开数据集进行的实验验证表明，这一融合了计算数据增强与跨学科知识转移的框架，在预测性能方面取得了显著提升。该模型在仅使用3.4%可用数据进行训练时，预测的误差率仅为1.86%。这一表现超越了基线模型的表现。尽管基线模型基于 70% 的数据进行训练，但其预测误差却更高，达到了2.23%。

核心观点

(1)开发了一种数据增强方法，能够生成与真实曲线保持物理一致性的老化轨迹，显著增加了训练样本的数量。

(2)构建了一种基于序列到序列的老化轨迹预测框架，该框架能够实现电池老化轨迹的一次性预测，并且随着可用历史数据的增加，模型的精度也会越高。

(3)本文提出了电池老化轨迹一次性预测框架可以实现在电池老化早期阶段对未来衰减趋势的一次性预测，并且克服了数据驱动方法对大量训练样本数据的依赖，使得模型具备更强的可用性。

图1 电池老化轨迹一次性预测学习框架

作者简介

黄捷，福州大学电气工程与自动化学院教授、博导，福建省自动化学会副会长、福州大学5G+工业互联网研究院院长、福建省闽江学者奖励计划特聘教授、福建省高校杰出青年科研人才、闽江科学传播学者、福州市科创走廊首席科技创新顾问。主要研究方向为：群体智能与无人系统、人机混合增强智能、工业互联网、数字经济等。

周宇，福州大学电气工程与自动化学院副研究员，硕士生导师。主要研究方向为：动力电池系统信息学，时空动态系统智能建模与异常诊断。

余意，福州大学电气工程与自动化学院、福州大学5G+工业互联网研究院硕士研究生。主要研究方向为：电池寿命预测。