BattVAE-GP: 基於不確定量化的長週期電池退化生成模型

長週期物理仿真能夠深入揭示電池退化機制，但計算成本高昂，限制了其在廣泛操作條件下的應用。近日，研究團隊提出了一種名為BattVAE-GP的混合物理-概率學習框架，旨在高效模擬鋰離子電池在未知充電速率下的退化軌跡。該研究發表於arXiv預印本平台，論文編號2607.11943。

傳統基於物理模型的仿真雖然精確，但計算資源需求極大，難以進行密集的參數空間探索。BattVAE-GP則通過結合數據驅動的變分自編碼器（VAE）和概率化的高斯過程（GP），大幅降低了計算負擔。具體而言，研究人員利用PyBaMM中的DFN/P2D電化學模型生成逐週期的退化數據，並將其轉換為容量對齊的電壓及其導數特徵，隨後通過VAE編碼為二維潛在表示。這個潛在空間不僅能夠區分不同充電協議下的退化軌跡，還保留了循環進度的相關信息。

在潛在空間的基礎上，研究團隊訓練了一個稀疏多任務高斯過程，以循環編號和充電倍率（C-rate）作為輸入變量。該GP模型能夠實現對潛在退化動態的連續插值，並輸出後驗不確定性估計。實驗表明，在協議級留出評估中，潛在空間GP能夠準確恢復未見充電速率下的退化軌跡，其不確定性行為與訓練數據的支持區域一致。當模型被詢問未見過的內部C-rate時，生成的潛在軌跡能夠合理地位於相鄰已仿真協議之間。

通過凍結的VAE解碼器對GP預測的潛在狀態進行解碼，可以得到平滑的電壓-容量演化曲線。此外，研究人員還引入了一個輔助預測器，通過蒙特卡洛方法將GP潛在後驗傳播至健康狀態（SOH）預測，從而提供不確定性感知的SOH估計。整個BattVAE-GP框架在保持高計算效率的同時，有效量化了預測中的不確定性，為未來在更豐富操作條件下的電池健康預測以及仿真-實驗融合提供了結構化基礎。該模型不僅適用於當前研究，還能方便地擴展到其他電池化學體系和操作條件，具有廣闊的應用前景。