1.1. 背景与动机

全球电动汽车（EV）的加速普及正在从根本上重塑交通系统，并推动向低碳、可持续的交通基础设施转型 [1]。这一技术变革的核心在于锂离子电池，其性能对电动汽车的续航里程、运行安全、充电效率和全生命周期经济性起着决定性作用 [2]. 随着电动汽车在智能公共交通、自动驾驶车队和太阳能电动汽车（SEV）平台等应用中的普及，对智能且可靠的电池诊断的需求变得日益重要 [3, 4].

准确估算电池健康状态（SOH）和剩余使用寿命（RUL）是下一代电池管理系统（BMS）的核心。这些指标能够实现预测性维护、能量感知控制策略、自适应充电优化以及长期退化缓解——最终提升电动汽车和小型电动车动力系统的可靠性和安全性[5]. 然而，锂离子电池表现出非线性、路径依赖且对环境敏感的降解行为，这些行为源于可变的负载曲线、热波动、日历老化过程和电化学副反应 [6]. 这些机制在多个时间尺度上演变，并受随机扰动影响，使得降解轨迹本质上复杂且难以建模。

锂离子电池的多尺度和非线性老化特性给长期的健康状态（SOH）和剩余使用寿命（RUL）预测带来了巨大的不确定性 [7]。传统的经验模型、基于物理的方法以及纯数据驱动的方法往往难以表征在实际工况下观察到的突变容量转变、潜在电化学现象或累积结构退化效应 [8]. 因此，需要混合学习架构能够利用多分辨率时间表示、非线性特征提取和自适应建模策略，以有效捕捉退化依赖关系[9]. 这类强大且可解释的模型对于支持现代电动汽车和小型电动车系统的更安全、更自主且能源最优的运行至关重要[10, 11].

1.2. 电池剩余使用寿命预测的挑战

预测锂离子电池的剩余使用寿命（RUL）本质上具有挑战性，这是由于电化学老化过程具有复杂、非线性和多尺度的特性。准确的预测需要能够捕捉以下特征的模型：

• 表现为在多样且动态变化的读档剖面下演化的显著非线性和非平稳退化行为[12];

• 多尺度老化模式，其中短期波动与长期容量衰减动态共存13];

• 降解速率对温度、充放电速率和循环深度等运行条件的强依赖性 [1, 14];

• 潜在的电化学机制以及因内部材料劣化导致的突发性能下降 [15];

• 实际电池管理系统（BMS）测量环境中固有的噪声、传感器漂移和部分可观测性 [16, 17].

传统的基于物理和纯数据驱动的方法往往无法在不同的电池化学成分、循环条件和现实世界电动汽车使用模式之间进行泛化，导致鲁棒性有限，长期健康预测不可靠。

1.3. 现有方法的局限性

基于物理的电化学和经验电池模型能够为退化过程提供机理层面的洞察，但需要进行广泛的参数校准，计算成本高昂，并且需要难以在实际电动汽车环境中测量的详细内部状态[1, 12, 18]. 数据驱动的机器学习（ML）方法，如支持向量回归、随机森林和多层感知器，提供了改进的非线性建模能力；然而，它们往往难以应对非平稳的老化模式、有限的训练数据，以及无法在多样化的运行配置和电池化学成分之间进行泛化的问题[5, 13, 19].

近期的深度学习（DL）架构，包括卷积神经网络（CNNs）、长短期记忆网络（LSTMs）和基于Transformer的模型，在学习SOH和RUL估计的时间依赖关系方面展现出了强大的能力[20]。然而，它们仍然对传感器噪声敏感，需要大量的训练数据集，并且往往无法捕捉多尺度退化特征以及由内部材料变化引起的性能突然下降[7, 15].

此外，此类混合和深度网络的超参数调优并非易事 [16, 21]。包括粒子群优化（PSO）和遗传算法（GA）在内的经典优化方案可能会过早收敛，对复杂的退化动态适应缓慢，并且难以在高维搜索空间中识别全局最优配置 [8].

1.4. 锂离子电池剩余使用寿命预测模型的最新进展

锂离子电池（LIB）健康状态预测的最新进展正日益转向混合式多阶段学习框架，该框架整合了互补机制，以捕捉电池老化过程高度非线性、多尺度及条件依赖的本质[22, 23]. 经典的单网络架构往往难以捕捉短期波动、长期老化趋势与电化学变化之间的复杂相互作用。因此，前沿研究强调结合多尺度特征提取、注意力增强型时序建模、集成式优化以及元启发式优化的架构，以提升健康状态（SOH）和剩余使用寿命（RUL）预测的准确性、泛化能力和稳定性。

表1显示，整合多种互补学习机制的混合架构在准确性和鲁棒性方面始终优于单一网络基线，这一趋势直接推动了我们所提模型的设计。

近期锂离子电池的混合SOH/RUL估计方法。

受小波启发且基于分解的混合方法在揭示分布在不同频段的退化信息方面表现出特别的有效性，从而在非平稳工况下改善了剩余使用寿命（RUL）的估计 [7]。同样，将差分热伏安法与深度神经模型相结合，通过提取热力学敏感的老化描述符，增强了长期退化推断能力 [8]. 经过特征工程的深度学习架构——例如卷积神经网络-双向门控循环单元-注意力框架——进一步证明了将空间特征提取与注意力驱动的时序建模相结合的优势，从而在各种循环工况下实现了更高的鲁棒性 [11].

]。不确定性感知方法持续推动电池健康状态预测的可靠性提升。概率和贝叶斯深度学习方法为容量和剩余使用寿命预测提供了置信度量化，这是面向安全的电动汽车应用的关键要求 [24]。与此同时，车载实时预测推动了自适应和增量学习算法的发展，这些算法能够随着新数据从电动汽车电池管理系统中持续流式传输而更新预测结果 [25].

优化增强架构也代表了一个新兴方向。经协同学习人工蜂群优化精炼的注意力装备LSTM模型，在早期寿命预测一致性和模型收敛性方面显示出改进[26]，而混合卷积神经网络-长短期记忆-深度神经网络级联则联合捕捉空间、时间及非线性退化动态，以实现更优的预测精度[27]. 这些进展共同凸显了向混合、元启发式优化以及注意力驱动的多尺度框架发展的清晰研究轨迹——这正是解决锂离子电池长期剩余使用寿命预测所面临的持续挑战所必需的方向。

1.5. 提出框架的动机

为了克服上述挑战，一个有效的剩余使用寿命预测框架必须包含：

• 多尺度特征提取以捕捉短期波动和长期退化趋势

• 注意力驱动的时序建模以学习复杂且长距离的老化依赖关系

• 残差集成精化以修正非线性预测偏差并提高稳定性

• 先进的优化机制能够高效探索高维超参数空间并避免过早收敛

基于这些需求，本研究提出了一种通过混沌台球优化器（CBO）优化的混合小波-Transformer-XGBoost（WTX）架构，能够实现电动汽车锂离子电池剩余使用寿命（RUL）的准确、稳健且具有泛化能力的估计。

1.6. 主要贡献

本研究的主要贡献总结如下：

• 一种新颖的WTX–CBO混合预测框架，集成了离散小波变换（DWT）、Transformer编码器-解码器注意力机制以及基于XGBoost的残差精化，用于锂离子电池剩余使用寿命（RUL）估计。

• 多尺度小波分解增强了信号的可解释性，并降低了电压、电流和温度退化曲线中的非平稳性[31].

• Transformer架构能够捕捉在不同运行和环境条件下复杂的长程时间依赖关系和退化动态。

• XGBoost优化有效补偿了残差预测偏差，并提高了混合模型的整体泛化能力和稳定性。

• CBO被用于高效的全局超参数调优，以缓解早熟收敛并提高优化的稳健性。

• 在基准NASA和CALCE数据集上的全面实验表明，与最先进的机器学习和深度学习基线相比，该方法具有更高的预测精度、稳健性和计算效率[32].

1.7. 论文结构

本文其余部分组织如下。第2节介绍了用于锂离子电池剩余使用寿命预测的所提混合WTX–CBO框架，包括多尺度信号分解、基于Transformer的时间建模和XGBoost精炼。第3节报告了在基准电池老化数据集上的广泛实验评估，以及与最先进方法的比较性能分析。最后，第4节总结了关键发现，并概述了面向电动汽车电池管理系统实时部署的未来研究方向。