在“碳达峰”和“碳中和”的战略目标指导下，交通运输行业正在从内燃机向电动化发生根本性转变[1]，[2]。作为交通运输电动化的关键推动者，动力电池技术是清洁能源生产和高效能源利用之间的重要桥梁[3]。锂离子电池（LIBs）由于其高能量密度、长循环寿命和有利的充放电特性，在电动汽车（EVs）、储能系统和可再生能源集成中得到了广泛应用[4]，[5]，[6]，[7]。然而，长期使用LIBs不可避免地会导致性能退化[8]。这种退化过程受到内在材料属性、电化学反应动力学和多物理耦合效应的影响，从而导致高度复杂和非线性的退化行为[9]，[10]，[11]，[12]。由电化学老化和运行应力驱动的电池退化会导致容量和性能逐渐下降。健康状态（SOH）是评估电池退化的一个关键指标，通常定义为当前容量与其额定初始容量的比率[13]。准确的SOH估计对于先进的电池管理系统（BMS）至关重要，以确保EV的安全运行并优化能源利用。在现实世界条件下，SOH估计方法必须具备高精度、鲁棒性和适应性——这些要求往往无法通过基于理想化实验室假设开发的模型得到满足。因此，开发适用于实际EV电池的SOH估计方法对于弥合理论建模与实际应用之间的差距至关重要。
近年来，在锂离子电池SOH估计的建模方法方面取得了显著进展，从基于物理的方法到数据驱动的方法都有所涉及。物理模型提供了对电池内部物理和化学变化的洞察[14]，[15]。传统的机器学习算法，如支持向量机和极限学习机，因其鲁棒性和捕捉电池数据中非线性模式的能力而受到关注[16]，[17]。然而，基于物理的模型通常依赖于复杂的数学公式和广泛的参数校准，这使得它们难以适应不同的电池化学成分和运行条件[18]，[19]。此外，传统的机器学习方法依赖于手工设计的特征工程，难以有效处理高维、复杂的数据集[20]。这些限制促使人们转向深度学习方法。多项研究表明，深度学习在克服传统电池诊断方法的局限性方面具有潜力，能够在大规模、高维的运行数据中实现高精度、可扩展性和泛化能力[21]，[22]，[23]，[24]，[25]。然而，大多数这些方法将电池测量视为独立序列，而没有明确建模电池单元之间的空间或关联依赖性，这激发了使用基于图的架构的动机。例如，一项研究开发了一个基于图神经网络的框架，用于数据聚合和特征融合，在充电不完全的条件下显著提高了容量估计的准确性[26]。另一项工作提出了一种图神经网络架构，该架构整合了时间和空间健康指标，在多个公共数据集上实现了高精度的SOH预测[27]。然而，现实世界条件中的非平稳性、运行变异性和行为多样性对模型性能和泛化能力提出了重大挑战。
为了弥合实验室研究和工程应用之间的差距，研究人员利用300辆电动汽车三年来的运行数据开发了一个深度多模态SOH估计框架，实现了2.83%的平均绝对百分比误差（MAPE）[28]。尽管深度学习方法具有强大的建模能力，但它们通常解释性有限，并且严重依赖于大量标记数据，而在实际应用中获取这些数据非常困难。迁移学习提供了一种可扩展的替代方案，通过促进跨领域知识转移并在数据稀缺的情况下提高适应性[29]，[30]。一项研究开发了一个基于迁移学习的框架，结合了Transformer和卷积神经网络（CNN）用于SOH估计，在磷酸铁锂和镍钴铝氧化物电池上实现了不到1%的误差[31]。另一项研究通过在迁移学习框架内整合条件对齐和深度融合网络，在707辆电动汽车的数据上实现了0.23%的MAPE，展示了强大的跨领域泛化能力[32]。最近的研究提出了一种基于指数平滑Transformer的驾驶行为感知迁移学习框架，从放电曲线中增强现实世界的SOH估计，从而无需完全重新训练即可提高EV级别的预测[33]。此外，通过利用实验室数据，一项研究开发了一个从单电池到电池组的迁移学习框架，使用单电池老化知识和有限的电池组数据估计电池组SOH[34]。混合建模方法已成为提高模型性能和解释性的关键方向[35]，[36]，[37]，[38]，[39]。例如，一项研究采用贝叶斯优化和带有注意力机制的极端梯度提升方法，使用真实世界车辆数据实现了低于3.2%的SOH估计误差[40]。另外，一个结合自然梯度提升和分类提升（N-CatBoost）的模型，在2800万个EV样本上训练后，实现了0.817%的MAPE，用于SOH估计并支持不确定性量化[41]。
尽管深度学习和混合建模技术在SOH估计方面取得了显著进展，但在实际应用中仍存在几个关键挑战尚未解决。首先，现有模型通常无法明确捕捉电池退化的时空异质性。其次，许多框架依赖于静态图结构，这些结构是预先定义的，而不是实时动态构建的，这限制了它们在具有不同电池组配置或传感器布局的电池系统中的适应性。最后，尽管在受控环境中实现了高预测精度，但在大规模、噪声较大的车队场景中，模型的鲁棒性和解释性仍然有限。此外，当前的迁移学习策略通常需要来自目标领域的大量数据，这阻碍了快速适应新电池系统。为了解决这些限制，本研究提出了一个可解释且可迁移的SOH估计框架，该框架结合了动态图注意力网络（DGAT）和神经基础扩展分析（N-BEATS）用于可解释的时间序列预测。在大型EV车队数据上的广泛验证表明，该框架能够在用户行为高度变化和数据稀疏的情况下实现高精度、提供透明的诊断结果，并快速适应。本研究的主要贡献如下：
- (1)
开发了一个用于EV电池健康诊断的可解释框架：通过将DGAT与N-BEATS相结合，所提出的模型共同学习了空间热电依赖性并分解了时间退化趋势。
- (2)
提出了一种基于多头注意力机制的实时动态图构建方法：与依赖于离线预计算邻接矩阵的传统方法相比，这种方法不需要预先定义的电池拓扑结构。
- (3)
所提出模型的优越性能和解释性在大型真实世界车队数据上得到了验证：使用300辆电动汽车的运行数据进行训练和评估，实现了0.98%的MAPE。
- (4)
精心设计了一种基于适配器微调的高效迁移学习方案：适配器模块仅使用目标数据的10%即可快速适应具有不同规格的新电池系统，分别实现了2.1%的均方根误差（RMSE）和1.43%的MAPE。
- (5)
分析了多样化用户行为对电池容量退化和模型性能的影响：主要使用快速充电方式的用户表现出高达38.1%的电池容量退化，模型预测误差最大超过20%。
本文的其余部分组织如下：第2节介绍了数据集来源、预处理方法和特征构建。第3节概述了所提出的框架。第4节展示了实验结果，并讨论了用户行为对退化和估计精度的影响。第5节总结了本文的主要贡献和发现，并对未来研究方向进行了展望。
