NOCE-Net: Representation Learning for Battery Operational Context via Nested Sequence Modelling¶

会议: NeurIPS 2026
arXiv: 2610.21391
代码: https://github.com/BeArnab96/NOCE-Net
领域: 自监督学习
关键词: 电池表示学习、嵌套序列建模、满等效循环、零样本电压预测、容量衰减动力学

一句话总结¶

本文提出双层嵌套序列模型 NOCE-Net 与标准化管线 re-BatteryData，以绝对充放电通量定义的满等效循环划分时序，结合多尺度卷积 Transformer 与 GRU 骨干仅基于操作输入实现长程电压预测，并在无容量标签下自监督学习到强相关的电池老化动力学隐状态。

研究背景与动机¶

锂离子电池作为清洁能源转型与移动储能的核心基础设施，其电化学状态与衰减动力学对历史充放电工况展现出强烈的路径依赖性。为了实现电池全生命周期的预测性优化控制和退化健康监测，构建能够捕获跨超长时域动态演化的电池感知通用表征模型至关重要。然而，真实运行环境下的车载遥测或工况监控数据存在采样频率高度不一致、记录维度参差不齐以及工况分布极度多变等复杂挑战，导致从原始遥测历史中学习通用表征始终受限。

现有数据驱动电池建模方法主要面临四重难以调和的瓶颈。首先，以差分电压分析（\(dV/dQ\)）或部分充电曲线为代表的传统特征工程严重依赖观测到的电池响应，在需要根据未来规划工况推演前向动态的控制场景中根本不可用。其次，多数研究假设电池早期寿命（如前 100 循环）的状态足以推断全生命周期趋势，忽略了工况动态演进带来的路径依赖偏差。第三，开源老化数据集格式割裂且多局限于实验室恒流充放电工况，缺乏兼顾电动汽车动态驾驶工况、飞行器 eVTOL 变载荷工况及任意浅充浅放工况的大规模统一基准。最后，电化学机理模型或等效电路模型依赖侵入式的周期性参考性能测试（RPT）标定内部参数，不仅中断正常工况且成本高昂。

解决这一矛盾的核心切入点在于重构电池运行历史的时空几何表达：电池行为天然包含循环内的毫秒/秒级快瞬态动态与循环间的月/年级慢老化演化，且老化本质上是通过非线性改变“操作输入到电压响应的映射关系”而体现的。本文的核心 idea 是：构建以绝对累积电荷通量严格划分的满等效循环（FEC）双层嵌套时序结构，仅基于无侵入操作输入经多分辨率 Transformer 编码循环内动态，并由门控循环单元追踪跨循环演化，通过自监督重构长程未来电压响应隐式习得可向健康评估零样本迁移的退化流形。

方法详解¶

整体框架¶

NOCE-Net 框架由两个核心阶段构成：第一阶段为数据标准化管线 re-BatteryData，将来自不同实验室及真实车规遥测、具有异构采样率与缺失通道的原始老化时序，统一映射为统一分辨率、包含 6 类物理特征的满等效循环（Full Equivalent Cycle, FEC）嵌套上下文；第二阶段为 NOCE-Net 嵌套序列预测模型，接收循环内输入与电池先验元数据，在多循环长程尺度下自回归递推循环状态并重构循环内细粒度电压响应。

整体模型在结构上实现了快慢时间尺度的天然解耦：在各独立 FEC 内部，多分辨率 Patch 编码器与前向 Transformer 并行抽取局部高频瞬态；在循环跨度上，轻量级 GRU 骨干仅在循环级聚合向量间进行串行递推，既规避了扁平长序列自注意力的显存爆炸，又赋予隐状态累积老化履历的物理意义；最后，Patch 解码器将跨循环隐状态与细粒度局部特征拼接，通过层次化转置卷积上采样重建高保真电压响应曲线。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["原始电池遥测数据<br/>电流 / 温度 / 时间"] --> B["re-BatteryData 统一嵌套预处理<br/>绝对通量分割 FEC + 6维特征重采样"]
    B --> C["多尺度 Patch 编码器<br/>多核 Conv1D + 任务/循环嵌入 + Transformer"]
    C --> D["门控循环网络跨循环骨干<br/>任务感知初值 h0 + GRU 递推建模老化演化"]
    D --> E["分层反卷积 Patch 解码器<br/>跨循环隐状态融合 + 层次化转置卷积重构"]
    E --> F["预测循环内电压响应 / 隐状态下游迁移<br/>零样本跨化学体系电压预测 & SOH 线性探针"]

关键设计¶

1. re-BatteryData：基于绝对电荷通量的满等效循环（FEC）标准化表征

传统电池生命周期建模通常将单次连续的充-放电转换机械划分为一个循环，这在面对电动汽车启停、电网调峰或浅充浅放的非标准工况时会造成灾难性的语义失真，使不同循环间的物理尺度无法对齐。re-BatteryData 彻底抛弃了基于充放电转向或固定时钟的切分逻辑，引入操作无关的绝对电荷通量积分定义满等效循环（FEC）：

\[F_Q = \frac{\int_{t_1}^{t_2} |I_t| \, dt}{Q_{\mathrm{nom}}} = 2\]

即无论实际运行包含多少次微小的充放电震荡或静置，只要电池累积流经的绝对电量达到其标称容量 \(Q_{\mathrm{nom}}\) 的两倍，该时段即被严格截断为一个标准 FEC 单元。在此基础上，管线提取 6 维物理时序特征：连续特征包括充电电流 \(\mathbf{I}_{\mathrm{chg}}\)、放电电流 \(\mathbf{I}_{\mathrm{dch}}\)、温度 \(\mathbf{T}\) 与相对时间 \(\mathbf{t}\)；累积特征包括充/放电转向间复位累积的电荷通量 \(\mathbf{Q}_{\mathrm{chg}}\) 与 \(\mathbf{Q}_{\mathrm{dch}}\)。经过时间加权自适应重采样后，任意时长的电池运行历史被规整为双层嵌套张量：外层包含 \(N\) 个等效循环，内层为各循环变长的时间序列 \(\mathbf{U}_c \in \mathbb{R}^{L_c \times 6}\)。

2. 多分辨率 Patch 编码器与层次化解码器：变长循环内动态的高保真映射

为了在变长采样点 \(L_c\) 下兼顾局部电流突变引起的欧姆内阻跌落与长程电荷弛豫效应，Patch 编码器构建了跨尺度的卷积切片机制。对于尺寸为 \(s_k \in \{4, 16, 32\}\) 的卷积核，通过一维卷积提取多分辨率局部切片特征：

\[\mathbf{P}_c^k = \mathrm{Conv1D}(\mathbf{U}_c^{\top}; \mathrm{kernel}=s_k, \mathrm{stride}=s_k) \in \mathbb{R}^{\lceil L_c / s_k \rceil \times d_{\mathrm{model}}}\]

将不同分辨率切片拼接为长度为 \(M_c = \sum_k \lceil L_c / s_k \rceil\) 的序列后，额外拼接三类关键上下文向量：基于电池正负极材料、封装形式、电压截止区间和标称容量生成的全局任务嵌入 \(\mathbf{e}_{\eta}\)、表征循环序号与绝对持续时长的 FEC 嵌入 \(\mathbf{e}_{\gamma, c}\)，以及可学习的全局聚合标记 \(\mathbf{e}_{\lambda, c}\)。通过 6 层 Transformer 编码后，三枚聚合标记被抽出作为该循环的语义简报。在解码端，Patch 解码器将跨循环隐状态 \(\mathbf{h}_c\) 逆映射拼接至循环表征后，通过三级步长渐进衔接的转置卷积（Transposed Conv1D）逐级插值放大并残差融合多尺度特征，最终经 MLP 映射还原与原始变长输入对齐的高精度电压响应 \(\hat{\mathbf{V}}_c \in \mathbb{R}^{L_c \times 1}\)。

3. 任务条件初始化的门控循环骨干：跨循环老化动力学的自监督沉淀

解决电池前向动态预测的本质挑战在于捕获由长期衰减导致的非线性漂移。NOCE-Net 在外层循环引入 2 层门控循环单元（GRU），其将各循环编码器产出的聚合向量 \(\mathbf{E}_{\mathrm{agg}, c} = [\mathbf{e}_{\eta}^*, \mathbf{e}_{\gamma, c}^*, \mathbf{e}_{\lambda, c}^*]\) 沿通道展平为 \(3d_{\mathrm{model}}\) 维输入，驱动状态转移递推：

\[\mathbf{h}_c = \mathrm{GRU}(\tilde{H}_c, \mathbf{h}_{c-1})\]

至关重要的创新在于初值条件化机制：初始隐状态并非置零，而是由电池静态元数据元网络自适应映射确定，即 \(\mathbf{h}_0 = \phi_{\mathrm{init}}(\boldsymbol{\eta})\)。这使模型在第 0 循环即在潜空间中注入了对应电化学体系与容量规格的物理先验坐标。更为深刻的是，由于整个模型仅以未来电压响应作为端到端监督信号，GRU 的外层递推为了精准预测后期的极化增大与平台衰落，被迫在隐状态 \(\mathbf{h}_c\) 中纯自监督地捕捉实际容量退化和内阻增长的非线性流形，且消除了单步长时序自注意力的二次方计算消耗。

损失函数 / 训练策略¶

为兼顾基准电位水平、动态阶跃响应细节与极端衰减边界，NOCE-Net 构造了三合一复合目标函数：

\[\mathcal{L} = \mathcal{L}_{\mathrm{MSE}} + \alpha \cdot \mathcal{L}_{\mathrm{Diff}} + \beta \cdot \mathcal{L}_Q\]

其中基准重建损失 \(\mathcal{L}_{\mathrm{MSE}} = \|\mathbf{V}_c - \hat{\mathbf{V}}_c\|_2^2\) 约束基础电压轮廓；微分保持损失 \(\mathcal{L}_{\mathrm{Diff}} = \frac{1}{L_c} \sum_{i=2}^{L_c} \left| \frac{\Delta \mathbf{V}[i]}{\Delta \mathbf{t}[i]} - \frac{\Delta \hat{\mathbf{V}}[i]}{\Delta \mathbf{t}[i]} \right|\) 显式约束电压变化率，惩罚因剧烈充放电电流突变引起的虚假平台预测；长尾惩罚损失 \(\mathcal{L}_Q\) 则聚焦绝对误差超过前 75% 分位数的区间进行定向加权：

\[\mathcal{L}_Q = \frac{\sum_i |\mathbf{V}[i] - \hat{\mathbf{V}}[i]| \odot \mathbb{I}[|\mathbf{V}[i] - \hat{\mathbf{V}}[i]| > q_{75}]}{\sum_i \mathbb{I}[|\mathbf{V}[i] - \hat{\mathbf{V}}[i]| > q_{75}]}\]

超参数设定为 \(\alpha=0.05, \beta=0.2\)。训练采用 Adam 优化器，学习率初始设为 \(1\times 10^{-2}\) 并配合 StepLR 衰减。针对超长生命周期的显存溢出问题，训练策略将电池全生命周期切分为每 100 个 FEC 的非重叠序列组，组内保持端到端梯度传播，组间截断梯度并仅传递隐状态 \(\mathbf{h}_{100k}\)，保证跨千次循环长期依赖传递的同时极大压缩计算图占用。

实验关键数据¶

主实验¶

NOCE-Net 在汇聚 10 个公开数据集、700 块电池的基准上进行测试。训练集涵盖 ISU-ILCC、MATR、XJTU-Partial、NASA-Rand、UMICH-Pouch、TJU；零样本测试集涵盖电化学与工况完全未见的 NASA-PCoE、Stanford-EV、HUST、XJTU-Full、evTOL。对比基线包括前沿长时序模型 TimerXL、AutoTimes、MAMBA 与 TinyTimeMixers (TTM)。

表 1 汇总了全生命周期电压响应零样本（Zero-Shot）及 50 循环少样本（Few-Shot）跨数据集预测表现：

方法	输入模式	参数量	Total-Seen (MAE / MAPE)	Total-Unseen 零样本 (MAE / MAPE)	FewShot-Unseen (MAE / MAPE)
AutoTimes	M1 (F, F)	128M	0.1598 / 20.71%	0.1474 / 34.00%	0.1328 / 33.25%
AutoTimes	M2 (扁平)	124M	0.1519 / 23.85%	0.1225 / 46.70%	0.1168 / 46.93%
TTM	M1 (F, T)	194M	0.1229 / 14.63%	0.1172 / 25.37%	0.0593 / 31.88%
TTM	Indep. (单循环)	11M	0.2368 / 30.00%	0.1758 / 24.41%	– / –
TimerXL	M1 (F, T)	269M	0.2799 / 34.38%	0.1887 / 60.00%	– / –
MAMBA	M2 (扁平)	12M	0.1331 / 19.79%	0.1001 / 43.37%	0.0721 / 44.78%
MAMBA	Indep. (单循环)	7M	0.1199 / 16.82%	0.1092 / 28.62%	– / –
NOCE-Net (本文)	嵌套结构	2.5M	0.0914 / 10.38%	0.0656 / 13.71%	0.0414 / 8.23%

消融实验¶

针对 NOCE-Net 各核心子模块在 5 个零样本测试数据集上的表现进行消融对比，各配置均基于 3 次独立运行求均值：

模型配置	变动说明	Total-Unseen MAE	Total-Unseen MAPE	相对全模型退化幅度 (MAPE)
NOCE-Net (Full)	完整提出架构	0.0656	13.71%	基准
w/o Task Emb.	移除正负极/规格等元数据先验	0.1390	26.85%	↑ 95.8% (性能腰斩)
w/o FEC Emb.	移除循环序号及持续时长嵌入	0.1400	26.72%	↑ 94.9%
w/o Learn Emb.	移除全局可学习聚合标记 \(\mathbf{e}_{\lambda}\)	0.1430	27.13%	↑ 97.9%
w/o Rec. Backbone	移除 GRU 循环间跨时序递推骨干	0.1600	36.84%	↑ 168.7% (严重崩溃)

关键发现¶

极端参数效率与长程泛化兼得：NOCE-Net 参数量仅为 2.5M，约为 TimerXL（269M）的百分之一，较 MAMBA（12M）也精简了近 5 倍。在零样本全生命周期电压重构上，NOCE-Net 实现了 13.71% 的整体 MAPE，相比基线最优方案误差降低了 43.8%。
跨循环循环骨干对抑制误差发散具有不可替代性：消融实验表明，一旦移除外层 GRU 骨干，模型变成完全割裂的独立循环预测，其预测误差随电池生命周期进程呈近 \(3\times\) 的速度累积发散；而全模型凭借隐状态沿时间维度的自适应记忆，能够始终稳定追踪高循环数下的剧烈极化。
隐状态自发沉淀真实的电化学退化流形：在完全没有容量标签监督的前提下，对测试集电池隐状态执行相对基准偏差校准 \(\mathbf{h}_c - \mathbf{h}_0\) 后，其第一主成分（PC1）与真实容量衰减轨迹的平均 Spearman 秩相关系数达到 \(|\rho| \ge 0.95\)；下游使用冻结特征训练的轻量线性头在 Stanford-EV 数据集上仅凭 30% 样本校准即可实现 5.5% 的极低 SOH 预测误差，证实残差主要为仿射缩放误差而非拓扑结构失真。

亮点与洞察¶

绝对电荷通量 FEC 奠定跨域数据基石：创造性地以 \(2Q_{\mathrm{nom}}\) 电量积分统一度量复杂非平稳工况，打破了传统“充放电转换计数”无法对齐浅充浅放、驾驶循环的死结，为多源电池大模型构建了语义等价的时序离散化标准。
由输入到响应的前向预测解锁“可控制性”代理：不同于常规提取 \(dV/dQ\) 曲线逆推健康的离线诊断思路，NOCE-Net 构建纯粹从计划控制输入（电流/时间）推演未来输出电压的前向可微动态系统，直接契合了电池健康感知模型预测控制（MPC）的先决条件。
初值相对化投影消除化学体系截距偏置：发现经任务先验初始化的 \(\mathbf{h}_0\) 在隐空间中主要充当化学体系的静态偏移基底，通过简单的 \(\mathbf{h}_c - \mathbf{h}_0\) 相减操作，即可剥离出不同电化学体系间共享的通用单调退化主路径，展现出极具潜力的跨体系几何一致性。

局限与展望¶

尺度校准依赖下游微调：纯电压重构监督虽然能精确刻画衰减的非线性“几何形态”，但无法内生确定绝对容量衰减比例的缩放尺度，当前仍需在特定数据集上借助少量标签微调轻量读出头。
极端扰动及工况非单调性挑战：在类似 eVTOL 飞行载荷这类伴随复杂热失控前兆或非单调局部容量回升的异常工况中，标量 SOH 自身定义出现模糊，隐状态的单调秩相关性亦发生退化。
输入特征依赖物理传感通道完整性：re-BatteryData 强依赖电流、温度与采样时间的连续记录；面对真实车载环境中温度传感器缺失或长时间通信丢包时，系统尚需额外的鲁棒填补与滤波预处理机制。

评分¶

新颖性: ⭐⭐⭐⭐⭐（开创性提出面向控制的嵌套电池表示学习框架，以绝对通量定义语义等价 FEC）
实验充分度: ⭐⭐⭐⭐⭐（涵盖 10 个公开库 700 块电池，全面覆盖零样本、少样本、消融实验与特征隐流形诊断）
写作质量: ⭐⭐⭐⭐⭐（数学形式化严谨，架构设计机理透彻，图表呈现扎实详尽）
价值: ⭐⭐⭐⭐⭐（打破传统特征诊断无法应用于动态控制的死穴，为车规及电网储能健康感知 MPC 奠定坚实基础）