BattVAE-GP: 基于不确定量化的长周期电池退化生成模型

长周期物理仿真能够深入揭示电池退化机制，但计算成本高昂，限制了其在广泛操作条件下的应用。近日，研究团队提出了一种名为BattVAE-GP的混合物理-概率学习框架，旨在高效模拟锂离子电池在未知充电速率下的退化轨迹。该研究发表于arXiv预印本平台，论文编号2607.11943。

传统基于物理模型的仿真虽然精确，但计算资源需求极大，难以进行密集的参数空间探索。BattVAE-GP则通过结合数据驱动的变分自编码器（VAE）和概率化的高斯过程（GP），大幅降低了计算负担。具体而言，研究人员利用PyBaMM中的DFN/P2D电化学模型生成逐周期的退化数据，并将其转换为容量对齐的电压及其导数特征，随后通过VAE编码为二维潜在表示。这个潜在空间不仅能够区分不同充电协议下的退化轨迹，还保留了循环进度的相关信息。

在潜在空间的基础上，研究团队训练了一个稀疏多任务高斯过程，以循环编号和充电倍率（C-rate）作为输入变量。该GP模型能够实现对潜在退化动态的连续插值，并输出后验不确定性估计。实验表明，在协议级留出评估中，潜在空间GP能够准确恢复未见充电速率下的退化轨迹，其不确定性行为与训练数据的支持区域一致。当模型被询问未见过的内部C-rate时，生成的潜在轨迹能够合理地位于相邻已仿真协议之间。

通过冻结的VAE解码器对GP预测的潜在状态进行解码，可以得到平滑的电压-容量演化曲线。此外，研究人员还引入了一个辅助预测器，通过蒙特卡洛方法将GP潜在后验传播至健康状态（SOH）预测，从而提供不确定性感知的SOH估计。整个BattVAE-GP框架在保持高计算效率的同时，有效量化了预测中的不确定性，为未来在更丰富操作条件下的电池健康预测以及仿真-实验融合提供了结构化基础。该模型不仅适用于当前研究，还能方便地扩展到其他电池化学体系和操作条件，具有广阔的应用前景。