锂离子电池（LIBs）因其长循环寿命、高能量密度和快速充电才能被广泛使用于储能系统。电池健康状况（SOH）的准确猜测对保障储能系统安全与功能至关重要。但是，传统办法往往难以捕捉电池的非线性时空退化行为，而现有深度学习模型通常假设练习与测验阶段的数据散布相同，这限制了其在实践场景中的适用性。实践使用中，即便同型号电池也会因使用条件和内部配置差异发生明显域偏移。针对这些应战，本研讨提出一种根据域自习惯图门控网络（DA-GGN）的鲁棒SOH猜测办法。经过反常检测与校对模块对原始BMS数据进行预处理，保证输入数据的稳定性和牢靠性。从电压、电流和温度曲线中提取健康方针（HIs），并选用皮尔逊相关系数（PCC）与互信息（MI）剖析相结合的办法挑选与健康状况（SOH）相关的特征，一起下降冗余度。本研讨开发了图注意力网络（GAT）与门控循环单元（GRU）的混合架构，用以协同捕捉空间相关性与时刻退化动态特征，并经过根据Wasserstein间隔的域习惯计划完成跨域特征散布对齐。所提结构在NASA、NCA两个揭露数据集及自采NEWARE数据集上得到验证，相较于现有办法展现出更优的精度、鲁棒性及跨域泛化才能。

导言

锂离子电池（LIBs）以其高能量密度、高输出电压和运转稳定性著称，已成为储能使用范畴的中心技能，尤其在电网规模系统与可再生能源并网中具有要害作用[1,2]。但是随着充放电循环次数增加，电极处不可逆的电化学反应会导致活性锂的持续丢失，然后引发容量衰减与能量输出下降。若未能及时处理，这种功能退化或许危及系统牢靠性并引发安全隐患。为应对这些应战，电池管理系统（BMS）被用于监测电池功能、检测早期故障并猜测退化趋势。这有助于拟定及时的保护与更换决策，然后提高储能系统的运转牢靠性并下降保护本钱[3]。BMS的中心功能之一是准确猜测健康状况（SOH），牢靠且实时的SOH猜测能有用下降安全危险、防止资源浪费，并支撑锂离子电池在储能场景中的高效再使用与梯次使用[4,5]。
近年来，国内外在锂离子电池健康状况(SOH)猜测范畴开展了很多研讨。现有办法首要可分为两类：根据模型的办法和数据驱动办法[6,7]。
根据模型的办法经过树立电池退化模型，剖析内部资料改变与SOH之间的相关。代表性办法包含电化学模型[8]、等效电路模型(ECM)[9]以及电化学阻抗谱(EIS)[10]。电化学模型旨在根据电化学原理，经过研讨容量衰减的内在机制来预算SOH，然后为电池老化供给理论解说。但是，因为其建模杂乱性、高计算本钱和有限的鲁棒性，这些办法在实践使用中存在局限性。等效电路模型（ECMs）虽具有更高的计算效率，但需求很多先验常识，而这些常识在实践中往往难以获取。整体而言，根据模型的办法的精度在很大程度上取决于模型的杂乱性及参数辨识的准确性。此外，猜测成果对噪声灵敏，且高度依靠于所树立模型的鲁棒性与牢靠性。加之电池内部机理杂乱且运转工况多变，开发能准确捕捉电池行为动态特征的模型仍具应战性。
数据驱动办法因其可以仅从历史数据中建模运转特征与退化趋势之间杂乱的非线性关系，而无需了解底层物理机制的详细信息，在锂离子电池健康状况（SOH）猜测范畴遭到越来越多的重视。经过将电池系统视为黑箱，这些办法可从历史测量数据中提取退化形式，然后完成准确的SOH猜测。目前已有多类数据驱动模型在该范畴得到成功使用。传统办法包含支撑向量回归（SVR）[11]和高斯进程回归（GPR）[12]，而根据集成学习和神经网络的计划——例如随机森林（RF）[13]和循环神经网络（RNN）[14]——相同取得了广泛使用。随着深度学习的开展，RNN变体（包含门控循环单元（GRU）[15]和长短期回忆（LSTM）网络[16]）已展现出明显改善，能有用缓解梯度消失与爆破等常见问题，一起提高猜测稳定性与准确性。
虽然数据驱动模型具有许多优势，锂离子电池健康状况(SOH)猜测仍面临两大应战。首要难点在于如何提取能准确反映电池退化的有用健康方针(HIs)，因为电压、电流和温度信号会随循环周期发生明显演化，这种演化遭到放电时长缩短和电化学行为改变等要素的影响。常用的健康方针源自上述信号，代表性办法包含：选用电压与温度微分[17]、根据放电阶段信号灰色相关剖析的HI挑选[18]、以及经过高斯滤波从增量容量曲线中提取退化灵敏特征[19,20]。这些办法一起强调了去噪处理与相关性评估在构建有用SOH方针中的重要性。
第二个应战源于练习域与测验域数据散布相同的假设很少建立，因为温度改变、电池制造工艺及循环条件的差异会引进范畴差异。为解决这一问题，研讨引进了范畴自习惯机制以对齐不同运转条件下的特征散布，然后提高模型在跨域场景中的泛化才能[21]。根据最大均值差异(MMD)的办法被广泛用于对齐源域与方针域的特征散布[22,23]。此外，多源特征空间对齐技能[24]与对立学习结构[25]进一步提高了模型在不同电池类型和运转条件下的泛化功能。
传统的深度学习模型专为网格或序列数据规划，往往难以捕捉非欧几里得域（如图结构）中的杂乱依靠关系。在多模态或异质场景下，因为集成应战与计算本钱问题，这些局限性会被进一步扩大。面向图结构数据规划的图神经网络（GNNs）经过使用音讯传递机制和图拓扑结构来建模局部与全局关系[26]，有用解决了上述问题。其在捕捉杂乱结构方面的杰出效能，使其在回归使命中的使用日益广泛。近期研讨表明，图神经网络(GNNs)在多个使用范畴展现出明显成效。Kong等人[27]根据传感器拓扑结构预界说图，提出了用于涡扇发动机剩余使用寿命(RUL)猜测的传感器交融与时刻剖析(SFTA)模型。Zhang等人[28]构建了注意力增强型GCN-BiLSTM结构进行电池容量估量，经过健康方针间时空相关性建模在多个数据集上完成高精度猜测。Yao等人[29]针对锂离子电池健康状况(SOH)猜测提出混合CNN-LSTM-GraphSAGE架构，同步建模健康方针的空间与时刻依靠性。类似地，Wei等人[30]选用融入注意力机制的图卷积网络进行SOH猜测以提高特征相关性。虽然数据驱动的SOH猜测办法已取得明显成果，仍存在若干要害应战：

• (1)
  许多办法直接选用电池管理系统(BMS)采集的原始测量数据（如电压、电流和温度信号），这或许引进噪声与无关特征，然后下降猜测精度并增加计算本钱。
• (2)
  不同化学系统和工作条件下的电池之间存在明显的散布差异。现有模型大多泛化才能有限，仅在特定范畴内能取得较高猜测精度。
• (3)
  电池健康状况(SOH)猜测本质上归于时刻序列猜测使命。但是，现有研讨首要使用健康方针的时刻特征，却忽视了其空间相关性与相互依靠性，这限制了模型的表达才能。

为战胜这些局限性，本研讨提出了一种交融时空特征学习的锂离子电池新式域习惯结构。首要选用反常检测与校对模块对原始电池管理系统(BMS)数据进行预处理，保证输入数据的稳定性与牢靠性。随后根据电压、电流和温度曲线构建健康状况方针(HIs)，并运用皮尔逊相关系数(PCC)和互信息(MI)剖析挑选与健康状况(SOH)相关的特征，一起最大限度下降冗余性。本研讨开发了一种混合GAT-GRU模型，旨在一起捕捉健康方针（HIs）间的空间依靠性与时域退化动态。为增强模型在变工况下的泛化才能，根据Wasserstein间隔的特征级域自习惯计划被纳入丢失函数，以完成源域与方针域散布的对齐。经过添加高斯噪声及数据缺失场景下的系列实验验证了所提办法的鲁棒性与准确性。本研讨的中心奉献可归纳如下：

• (1)
  提出了一种系统性的特征选择战略，该战略在反常检测与修正模块预处理后，从原始电池管理系统数据中构建与健康状况相关的健康方针。该战略结合皮尔逊相关系数与互信息剖析，在防止冗余特征的一起挑选出与健康状况高度相关的特征，然后保证模型输入具有稳定性、信息丰富性和鲁棒性。
• (2)
  开发了一种交融Wasserstein间隔域自习惯计划的混合图注意力网络-门控循环单元结构，用于捕捉电池退化进程中的时空动态特性并缓解不同工况下的散布偏移问题，然后提高模型精度与泛化才能。
• (3)
  所提办法在NASA、NCA两个揭露数据集及自采NEWARE数据集上进行了验证，实验成果表明相较于现有办法，本计划在精度、鲁棒性及跨域泛化功能方面均具有明显优势。