Autonomous End-to-End SOH Prediction Services for Battery Systems via Temporal-Contrastive Representation Learning

📄 arXiv: 2606.16434v1 📥 PDF

作者: Junting Wen, Dan Li, Qihao Quan, Xiwen Wang, Hang Yang, Zhaohong Meng, Zigui Jiang, Changlin Yang, Tianle Liu, Diego Muñoz-Carpintero, Jian Lou

分类: cs.LG, cs.AI

发布日期: 2026-06-15

💡 一句话要点

提出TC-SOH以解决锂离子电池健康状态预测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 锂离子电池 健康状态预测 时间对比学习 深度学习 特征提取 模块化架构 透明性 工业应用

📋 核心要点

  1. 现有方法依赖手动特征工程和黑箱模型，难以实现锂离子电池SOH的准确预测和工业化应用。
  2. 提出TC-SOH架构，通过时间对比机制和跨窗口预测任务，从原始数据中自动提取SOH相关特征，提升预测透明度。
  3. 在四个公共数据集上，TC-SOH显著优于传统基线，MAPE和RMSE分别减少1.91倍和2.13倍，验证了其有效性。

📝 摘要（中文）

准确的健康状态（SOH）估计是锂离子电池管理中的关键诊断服务。然而，依赖于劳动密集型的手动特征工程和不透明的黑箱模型限制了其在工业中的可扩展部署。为此，本文提出了TC-SOH：一种模块化、即插即用的服务架构，用于自主的端到端SOH预测。TC-SOH采用时间对比机制和跨窗口预测的预训练任务，从原始操作数据中直接提取与退化相关的表示。通过可视化、敏感性分析、冗余分析等方法，展示了所学特征与专家描述符的重叠，同时保留了额外的SOH相关变异，且有序的时间上下文改善了后续SOH预测。TC-SOH在四个公共数据集上表现优于考虑的物理信息和数据驱动基线，MAPE减少了1.91倍，RMSE减少了2.13倍。

🔬 方法详解

问题定义：本文旨在解决锂离子电池健康状态（SOH）预测中的准确性和可扩展性问题。现有方法往往依赖于手动特征工程和不透明的黑箱模型，限制了其在工业中的应用。

核心思路：TC-SOH通过引入时间对比机制和跨窗口预测的预训练任务，能够从原始操作数据中自动提取与电池退化相关的特征，从而实现端到端的SOH预测。

技术框架：TC-SOH的整体架构包括数据输入模块、特征提取模块、预测模块和可视化模块。数据输入模块负责接收原始操作数据，特征提取模块利用时间对比机制提取特征，预测模块进行SOH预测，而可视化模块则用于展示模型的有效性和透明度。

关键创新：最重要的创新在于将时间对比机制与跨窗口预测相结合，使得模型能够在保持特征透明度的同时，提升SOH预测的准确性。这一设计与传统方法的本质区别在于其自动化和模块化的特性。

关键设计：在模型设计中，采用了特定的损失函数以优化预测性能，并通过敏感性分析和冗余分析等方法确保所提取特征的有效性。此外，模型结构采用了深度学习框架，以增强特征学习能力。

📊 实验亮点

TC-SOH在四个公共数据集上的实验结果显示，其在SOH预测方面显著优于传统的物理信息和数据驱动基线，MAPE减少了1.91倍，RMSE减少了2.13倍。这些结果表明，TC-SOH不仅提高了预测准确性，还增强了模型的透明度和可解释性。

🎯 应用场景

该研究的潜在应用领域包括电动汽车、可再生能源存储系统及其他依赖锂离子电池的设备。通过提高SOH预测的准确性和透明度，TC-SOH能够帮助电池管理系统实现更智能的监控和维护，从而延长电池使用寿命，降低运营成本，提升安全性。未来，该技术可能在工业自动化和智能电网等领域发挥重要作用。

📄 摘要（原文）

Accurate state of health (SOH) estimation is a critical diagnostic service for lithium-ion battery management. However, reliance on labor-intensive manual feature engineering and opaque black-box models hinders scalable industrial deployment. To address this, we introduce TC-SOH: a modular, plug-and-play service architecture for autonomous, end-to-end SOH prediction. TC-SOH employs a temporal-contrastive mechanism and a cross-window prediction pretext task to extract degradation-relevant representations directly from raw operational data. To improve transparency, we connect model efficacy with representation diagnostics: visualization, sensitivity analysis, redundancy analysis, bidirectional probing, future-SOH probing, and temporal shuffling show that learned features overlap with selected expert descriptors while retaining additional SOH-relevant variation, and that ordered temporal context improves subsequent-SOH prediction. Across four public datasets, TC-SOH outperforms the considered physics-informed and data-driven baselines, reducing MAPE by 1.91 times and RMSE by 2.13 times.