本文档报告了一项单一原创性研究，属于类型a。以下是针对该研究的学术报告。
一、 研究团队与发表信息
本研究由来自中国科学院福建物质结构研究所泉州装备制造研究所、福建师范大学计算机与网络空间安全学院、中国科学院大学福建学院的Mingqiang Lin（IEEE高级会员）和Dingcai Hu，西安交通大学电气工程学院的Jinhao Meng（IEEE高级会员），以及合肥工业大学汽车与交通工程学院的Ji Wu（IEEE会员）共同完成。该研究以题为《Transfer Learning-Based Lithium-Ion Battery State of Health Estimation with Electrochemical Impedance Spectroscopy》的论文形式，发表于IEEE Transactions on Transportation Electrification期刊，在线发表日期为2025年1月24日，卷期号为第11卷第3期（2025年6月）。
二、 学术背景与研究目标
本研究隶属于能源存储与交通电气化领域，具体聚焦于锂离子电池的健康管理（Battery Health Management）和状态估计（State Estimation）技术。锂离子电池作为电动汽车、移动设备等领域的关键储能单元，其安全性和可靠性至关重要。电池在循环使用过程中会发生老化，导致容量衰减和内阻增加。电池的健康状态（State of Health, SOH）是衡量其老化程度的关键指标，但无法直接测量。因此，准确估计SOH对于保障电池安全运行、延长使用寿命具有重大意义。
现有的SOH估计方法主要分为基于模型的方法和数据驱动的方法。基于模型的方法（如电化学模型、等效电路模型）具有可解释性，但往往计算复杂，且对不同电池类型的泛化能力有限。数据驱动的方法（如深度学习）泛化能力强，但通常依赖大量数据且缺乏对电池内部物理化学机制的解释。电化学阻抗谱（Electrochemical Impedance Spectroscopy, EIS）作为一种非侵入式、响应快速、信息丰富的测试技术，能够反映电池内部的欧姆电阻、固体电解质界面（SEI）膜电阻、电荷转移电阻和扩散过程等关键信息，与电池老化过程直接相关，为高精度SOH估计提供了可能。然而，现有基于EIS的方法，或依赖简化的经验模型导致精度不足，或直接将全频段EIS数据输入深度学习模型导致数据冗余和训练复杂，且大多未充分利用历史循环数据中的时序信息。此外，电池类型、测试温度等条件的差异也给模型的泛化应用带来挑战。
针对上述问题，本研究旨在提出一种兼具高精度、可解释性和强泛化能力的锂离子电池SOH估计方法。具体目标包括：1) 利用EIS的可解释性优势，通过拟合等效电路模型（Equivalent Circuit Model, ECM）提取反映电池内部电化学动态过程的物理参数作为老化特征；2) 构建能够有效捕捉时序依赖关系的深度学习模型，从这些物理参数的时间序列中提取特征；3) 引入迁移学习（Transfer Learning）策略，使模型能够适应不同温度和不同类型的电池，提升模型的实用性和鲁棒性。
三、 详细研究流程
本研究的工作流程系统性地包含了数据获取、特征提取、模型构建、迁移学习应用和实验验证等多个环节。
第一环节：数据获取与预处理。 研究使用了两个公开数据集（Dataset A和Dataset B）进行方法验证。Dataset A包含12个LiCoO2/石墨商业电池（Eunicell LR2032，45mAh），分别在25°C、35°C和45°C下进行循环测试，并在充电/放电过程中的9个不同状态（SOC和静置后）采集EIS数据。本研究选取了其中7个电池（25°C下的25c01、25c03、25c05；35°C下的35c01、35c02；45°C下的45c01、45c02）在100% SOC静置后（状态V）的EIS数据进行分析，因为此状态下的奈奎斯特图曲线典型。Dataset B包含三种正极材料（NCA, NCM, NCM+NCA）的18650圆柱电池，每50个循环采集一次EIS数据。这些电池的容量衰减曲线和EIS奈奎斯特图被用作模型训练和测试的基础。
第二环节：特征提取——从EIS到物理参数。 这是本研究实现“可解释性”的关键步骤。研究并未直接将原始的、高维的EIS频谱数据输入模型，而是选择了一个包含电感（Ls）、欧姆电阻（Rs）、以及三个由电阻与恒相位角元件（Constant Phase Element, CPE）并联组成的模块（分别模拟SEI膜、电荷转移过程和扩散行为）的等效电路模型（ECM）。通过非线性最小二乘法，将每个循环周期测得的EIS数据拟合到该ECM上，从而提取出10个物理参数（Ls, Rs, Rsei, CPESei_0, CPESei_1, Rct, CPECt_0, CPECt_1, CPEdiff_0, CPEdiff_1）。这些参数具有明确的物理意义，例如Rs代表欧姆内阻，Rsei和Rct分别代表SEI膜电阻和电荷转移电阻，它们的增长与电池老化直接相关。为了确保拟合质量，研究采用了一种迭代策略：将上一个循环良好拟合的参数作为下一个循环拟合的初始值，这减少了对异常值的敏感性并提高了拟合效率。随后，研究计算了这些ECM参数与电池实际容量之间的皮尔逊相关系数，发现除Rs外，大多数参数（如Rct, CPEdiff_0等）与容量表现出强相关性，验证了这些参数作为老化特征的有效性。同时，不同温度下电池参数与容量的相关性存在差异，这凸显了模型需要具备跨条件泛化能力。
第三环节：模型构建——时空长短期记忆网络（ST-LSTM）。 为了充分利用电池老化过程中ECM参数随时间演变的序列信息，研究构建了一个名为TL-ST-LSTM（基于迁移学习的时空长短期记忆网络）的模型。该模型的核心是ST-LSTM单元，这是一种对传统LSTM的改进结构。传统LSTM主要通过细胞状态（c）和隐藏状态（h）在时间维度上传递信息。而ST-LSTM额外引入了一个时空记忆状态（m）。在每一时间步，信息不仅像传统LSTM一样在层内从左向右（时间方向）传递，同时时空记忆状态（m）还会在层间自底向上传递。顶层的时空记忆状态会作为下一时间步第一层的输入。这种结构使模型能够同时捕捉数据在时间和“空间”（此处指网络层间）维度上的依赖关系，从而更高效地传播信息，避免重要细节丢失，增强了模型对复杂序列模式的表达能力。整个模型架构分为两部分：1) 时序特征提取器：由多层ST-LSTM单元堆叠而成，输入是长度为T、特征数为N（即10个ECM参数）的时间序列矩阵，输出是每个时间步对应的隐藏状态特征序列。2) SOH预测器：一个全连接层，将ST-LSTM提取的最终时序特征映射为单一的SOH估计值。
第四环节：迁移学习策略。 为了解决不同温度、不同类型电池数据分布差异导致的模型泛化问题，研究引入了迁移学习。具体策略是：首先，使用源域数据（例如，Dataset A中25°C的电池数据）对完整的ST-LSTM模型（包括特征提取器和预测器）进行预训练，得到一个基础模型。然后，进行微调（Fine-tuning）：当模型应用于新的目标域（例如，35°C的电池或NCA电池）时，冻结预训练好的ST-LSTM特征提取器的权重参数，认为其提取时序特征的能力具有普适性；仅重新训练最后的全连接SOH预测器层。这样，模型能够快速适应新数据的特点，而无需从头开始训练，显著提升了跨条件应用的效率和准确性。
第五环节：实验设计与验证。 研究设计了三组实验来全面评估所提方法的性能。实验在配备Intel i3-12100F CPU和NVIDIA RTX 2060s GPU的计算机上，使用Python和PyTorch框架完成。 1. 模型有效性验证（同温度同类型）：在Dataset A的25°C数据上，使用25c01和25c03训练模型，在25c05上测试。将ST-LSTM与门控循环单元（GRU）、传统LSTM、循环神经网络（RNN）和卷积神经网络（CNN）进行对比。评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）。 2. 跨温度迁移验证：将在25°C数据上预训练的模型，通过微调，分别应用于Dataset A中35°C（35c02）和45°C（45c02）的电池数据。对比了带迁移学习的各模型（TL-ST-LSTM, TL-GRU等）与不带迁移学习的原始ST-LSTM的性能。 3. 跨电池类型迁移验证：将在Dataset A（25°C）上预训练的模型，通过微调，应用于Dataset B中的三种不同化学体系的电池（NCM+NCA, NCM, NCA）。评估模型在不同类型电池上的泛化能力。 此外，研究还使用了SHAP（SHapley Additive exPlanations） 方法对训练好的深度学习模型进行可解释性分析，以确定哪些ECM参数对模型的SOH预测决策贡献最大。
四、 主要研究结果
1. 模型有效性验证结果： 在25c05电池的测试中，提出的ST-LSTM模型取得了最佳性能，R²为0.99，RMSE为1.88%，MAE为1.34%。其预测曲线与真实SOH值高度吻合，且置信区间较窄。从残差图看，其误差范围和波动显著小于其他对比模型（GRU, LSTM, RNN, CNN）。这表明，ST-LSTM因其独特的时空信息传递机制，在捕捉电池老化非线性时序模式方面优于其他网络结构。特别是与结构最相近的传统LSTM相比，RMSE提升了12.15%。CNN由于不擅长处理序列数据，在此任务上表现最差。
2. 跨温度迁移学习结果： 迁移学习策略展现出巨大优势。以35°C的35c02电池为例，不带迁移的ST-LSTM模型RMSE高达9.65%，预测严重偏离真实值。而采用迁移学习微调后的TL-ST-LSTM模型，RMSE骤降至0.89%，性能提升超过90%。其预测值的置信区间能够覆盖大部分真实数据点，残差被控制在±0.02以内。同样，在45°C的45c02电池上，TL-ST-LSTM的RMSE为0.97%，相比不迁移的模型（RMSE 5.13%）提升了81%。在所有参与对比的迁移学习模型中（TL-CNN, TL-RNN, TL-LSTM, TL-GRU），TL-ST-LSTM在两组温度测试中均保持最优和最稳定的性能。
3. 跨电池类型迁移学习结果： 模型成功地从钴酸锂电池（Dataset A）迁移到了三元材料电池（Dataset B）。对于NCM+NCA、NCM和NCA三种电池，TL-ST-LSTM的RMSE分别为0.73%、1.91%和1.11%，均实现了对电池衰减趋势的有效预测。尽管NCM电池的测试误差相对稍大（可能与训练数据差异较大有关），但TL-ST-LSTM的性能仍显著优于其他迁移学习方法（如TL-GRU），在三个测试集上RMSE分别提升了33%、10%和32%。而不带迁移的模型在所有跨类型测试中均告失败（RMSE > 10%），这强有力地证明了本研究迁移学习策略的必要性和有效性。
4. 模型可解释性分析结果： SHAP分析揭示了不同ECM参数对SOH预测的重要性排序。其中，CPEdiff_0（表征低频扩散行为的参数）对模型输出的影响最大，其SHAP值分布范围最广。这是因为低频EIS数据时间尺度长，受噪声影响小，精度高。紧随其后的是Rs（欧姆电阻）和Rct（电荷转移电阻），它们是电池老化的重要标志。而电感Ls等参数的重要性则较低。这一分析结果不仅增强了深度学习模型的“黑箱”透明度，也从数据角度印证了这些物理参数与电池健康状态之间的强关联，将数据驱动与物理机理联系起来。
实验结果形成了一个完整的逻辑链条：首先，通过ECM拟合从EIS中提取的物理参数是有效的SOH关联特征；其次，ST-LSTM模型能够最优地从这些特征的时间序列中学习老化规律；最后，结合迁移学习微调策略，该框架能够克服电池个体和条件差异，实现高精度、高泛化的SOH估计。每一阶段的结果都为下一阶段的验证奠定了基础，并共同支撑了研究的最终结论。
五、 研究结论与价值
本研究成功提出并验证了一种基于迁移学习和可解释电化学阻抗谱的锂离子电池健康状态估计新方法（TL-ST-LSTM）。该方法的核心贡献在于将物理模型的可解释性、深度学习序列模型的强大表征能力与迁移学习的泛化优势三者有机结合。
其科学价值体现在：1) 为电池SOH估计提供了一种“灰箱”建模新范式，既避免了纯物理模型的复杂性和局限性，又弥补了纯数据驱动模型缺乏物理解释的不足。2) 通过引入ST-LSTM和迁移学习，解决了跨时间、跨条件、跨电池类型的模型适应性问题，推动了数据驱动方法在实际复杂场景中的应用。3) 利用SHAP等工具对深度学习模型进行事后解释，为理解模型决策与电池内部物理化学过程之间的联系提供了途径。
其应用价值十分显著：该方法能够为电动汽车、储能电站等领域的电池管理系统（BMS）提供更精准、更可靠的在线健康状态评估。尽管当前BMS尚未集成EIS测试功能（主要依赖实验室大型设备），但随着车载紧凑型EIS测量技术的发展，本研究方法有望直接嵌入未来智能BMS中，实现基于内阻谱的实时健康监控，从而延长电池寿命、预警故障、提升系统安全性和经济性。
六、 研究亮点
七、 其他有价值的内容
论文在讨论部分展望了未来的研究方向，包括：进一步优化ECM和参数辨识方法以适应更多电池类型；探索集成卷积神经网络（CNN）、注意力机制（Attention）或集成学习（Ensemble Learning）等更先进的算法来提升模型性能；推动紧凑型车载EIS设备的研发，为该方法从实验室走向工程应用铺平道路。这些展望指出了该领域技术发展的潜在路径。