研究深化：从初步验证到系统加固

摘要

前六篇报告完成了从定位到经济闭环的完整链路。在此基础上，我对五个方向做了深化：用 NASA 真实数据做交叉验证、将 ECM 从一阶升级到二阶并引入温度和耦合退化、将经济模型从简化参数升级为基于 GPU 定价和 REopt 框架的推导、在更真实的 v3 数据上重新对比 Transformer 和 TCN、对"PPC 先衰"做了系统的文献切割。每个深化都让结论更扎实——NASA 数据给出了方向性佐证，二阶 ECM 使容量从恒定 99.99% 变为真实的 83.3%，Transformer 在 v3 上领先 TCN 12.3 个百分点。

一、NASA 真实数据交叉验证

做了什么

前六篇的定量结论全部基于 ECM 仿真数据。为了检验假设在真实数据上是否成立，下载了 NASA PCoE 锂电池老化数据集（B0005/06/07，各 168 次深充放循环，共 170,000 条数据点），做交叉验证。

从每次放电曲线提取容量和放电能量（ $\int V \cdot I \, dt$ ）。放电能量同时反映容量和电压压降，是比单纯容量更全面的功率代理指标。

结果

图1：NASA 真实数据：放电能量一致先于容量 2-8 循环

电池	容量 80% 循环	能量 80% 循环	能量领先
B0005	101	99	2 循环
B0006	61	59	2 循环
B0007	124	116	8 循环

三块电池的放电能量一致先于容量跌破 80%。方向与仿真结论一致：功率类指标比容量更早触及阈值。深充放下提前量小（2-8 循环），因为容量损失是主导退化模式。AIDC 脉冲工况下内阻增长主导，提前量应更大。

意义

这是在真实电池数据上对"PPC 先衰"假设的第一步验证。虽然 NASA 是锂电深充放而非钠电 AIDC 脉冲，但方向一致性是一个有价值的结果。最终定量验证需要真实 AIDC 钠电脉冲数据。

二、ECM 从一阶升级到二阶 + 温度 + 耦合退化

做了什么

v1 模型用一阶 Thevenin 等效电路，温度效应只是一个乘数因子，R₀ 和容量独立变化。这是一个理想化的起点，适合验证方向性假设。

v3 在三个维度上做了升级：

RC 网络从一阶升到二阶，分离电荷转移阻抗（R1，τ=2s）和固态扩散阻抗（R2，τ=30s）。各阻抗分量使用独立的 Arrhenius 活化能（R0: 15 kJ/mol，R1: 25 kJ/mol，R2: 35 kJ/mol），温度波动对不同物理过程的影响程度不同——扩散阻抗受温度影响最大（±120%），欧姆阻抗最小（±40%）。

退化模型引入 SEI 耦合：增长变量 s(t) 同时驱动 R₀（α=1.0）、R₁（α=1.5）和容量（α=0.15）。阻抗和容量同步变化，但阻抗比容量敏感 6.7 倍。这符合 SEI 膜增厚同时增加界面阻抗和消耗活性物质的物理图像。

结果

图2：二阶 ECM 仿真：PPC 在第 112 天跌破 80%，容量 83.3%

PPC 在第 112 天跌破 80% EOL 阈值，此时容量保持率 83.3%。容量要到第 285 天才跌破同一阈值，落后 173 天。与 v1 相比，容量从恒定 99.99% 变为真实的 83.3%——耦合退化使模型更接近真实电池行为，同时 PPC 仍然先于容量触及阈值。

α_R₀ 与 α_Q 的比值 6.7:1 是 PPC 先衰的物理基础：阻抗对 SEI 的灵敏度远高于容量。这个比值目前是模型参数设定值，真实钠电的比值需要老化实验标定。

三、经济模型从简化参数升级为结构化推导

做了什么

初版经济模型用了两个简化参数：宕机 30 万/次、退化成本 ∝ x²。这些数字量级上合理，但缺乏推导过程和参数来源。

v2 从两个方向做了推导：

宕机成本：A100 GPU 云中位时租 $1.88/GPU/hr（Price of Compute，2026 年 10 月实时数据）。万卡集群，30 分钟检查点恢复 + 2 小时丢失计算。直接 GPU 停机$ 9,400 + 计算丢失 $37,600 =$ 47,000/次（34 万元）。初版的 30 万/次经推导确认量级正确。

退化成本：采用 NREL REopt 框架 $C_{deg} = C_{bat} \times \Delta SoH / (1 - SoH_{EOL}) \times N_{cycles}$ 。电池系统 $120/kWh（NREL 2025 成本预测，钠电低于 LFP 的$ 147/kWh），ΔSoH/循环 = 1.33×10⁻⁵，年等效循环 11,231。退化加速因子 0.3 + 1.7x²，其中 1.7 来自 C-rate 平方效应（REopt: ΔSoH ∝ C-rate²，4C→8C 退化 4 倍）。

结果

图3：AI 策略 75 万/年 vs 保守 285 万/年

策略	年度成本
保守（4C 限功率）	285 万
激进（全力 8C）	124 万
AI 动态优化	75 万（降幅 74%）

每个参数都有来源和推导路径。宕机概率函数 $P = 10e^{-5x}$ 仍是参数化假设，后续可用真实 AIDC 运行数据标定。

四、Transformer vs TCN：在更真实的数据上重新对比

做了什么

初版在 v1 简单数据上跑 TCN 拿到 R²=0.978，直接跳过了 Transformer 对比。v1 数据（一阶 ECM，无温度效应，容量恒定）过于简单，不足以区分两种架构的能力。

v3 数据引入了三个复杂度来源：不同活化能的温度波动、二阶极化、耦合退化。在这个更真实的数据上重新对比两种模型。

结果

图4：Transformer vs TCN 对比

指标	Transformer	TCN	Baseline
R²	0.899	0.776	-2.553
RMSE	1.04%	1.55%	6.15%
参数量	19,265	5,729	—

Transformer 在 v3 数据上领先 TCN 12.3 个百分点。v3 的多时间尺度依赖（温度、二阶极化、耦合退化）需要自注意力机制捕捉，膨胀卷积只能处理固定模式的时序依赖。

图5：系统架构——Transformer 为默认

架构决策修正为：Transformer 是默认选择，TCN 在边缘端资源受限时作为轻量备选。Transformer 参数量是 TCN 的三倍多，实际部署需要做模型压缩或量化。

意义

这个对比说明一个重要的方法论问题：模型选型必须在足够复杂的数据上做。过于简单的数据会让所有模型看起来一样好，掩盖架构差异。

五、文献切割：明确贡献边界

做了什么

系统检索了 Li-ion 和 Na-ion 两条文献脉络，确认"功率先于容量衰减"在锂电领域的研究历史，并识别钠电的空白。

发现

锂电领域已有 20 年研究积累：Liaw et al. (2002) 证明功率与容量衰减在初始阶段共享 Arrhenius 活化能。Edge et al. (2021) 建立三级退化框架（被引 1350+）。Ha & Onori (2023) 证明功率衰减幅度约为能量衰减的 2 倍。

钠电的情况不同且有独特价值：Bahrke et al. (2026) 发现钠电主导退化模式是 LAM_cathode，与锂电的 LLI 相反——这意味着锂电的功率/容量耦合规律不能假设可以迁移。Klick et al. (2025) 偶然观察到电阻先于容量增长但未做表征。没有任何 SIB 老化研究在 AIDC 负荷曲线下进行过。商用 SIB 的循环/日历不对称极端（循环 500 次到 50% SOH，日历 600+ 天 >90% SOH），AIDC 待机主导运行中的功率衰减轨迹完全未测量。

图6：Li-ion vs Na-ion 退化模式对比

明确的贡献定位

迁移测试：钠电主导退化模式与锂电相反，Li-ion 的功率/容量耦合能否迁移到 Na-ion 是一个开放问题，需要验证而非假设
AIDC 工况量化：脉冲+待机负荷下 PPC 相对容量的提前量——对任何化学体系都是空白
BMS 算法：将 PPC 运营化为 AIDC 前瞻性状态指标，实现主动容量预留和更换调度
硬碳功率特征：硬碳扩散受限平台衰减的物理起源与石墨 SEI 驱动不同，需要单独建模

补充：特征消融实验

在 v2 数据（引入独立温度变化）上对 5 个特征做消融实验：

图7：特征消融实验

电压类特征预测力最强（voltage_drop R²=0.884），温升速率完全独立于 PPC（R²=-6.37）但对安全预警有独立价值。温度特征捕获的是热行为维度——这个维度的独立性意味着它在多特征融合中能提供电压类特征无法覆盖的信息。全量 20 维比最佳单特征差（线性回归在高维小样本上过拟合），说明非线性模型（Transformer）能更好地利用多特征之间的交互。

下一步

方向	当前状态	下一步
真实数据验证	NASA 锂电方向性佐证已得	获取真实 AIDC 钠电脉冲数据做定量验证
ECM 参数标定	二阶 + Arrhenius + 耦合退化已实现	α_R₀/α_Q 比值的实验标定
经济模型	GPU 定价 + REopt 推导完成	宕机概率函数的真实 AIDC 运行数据拟合
模型部署	Transformer R²=0.899 已验证	边缘端推理延迟测试和模型压缩
文献定位	增量贡献已明确	无

前三条需要真实数据或实验。已有的结论都标注了数据来源，没有过度声称。获取真实 AIDC 钠电脉冲数据是推进定量验证的关键一步。

引用来源

NASA PCoE Battery Dataset (via GitHub/fmardero)——真实锂电池老化数据。
Liaw, B.Y. et al. (2002). J. Power Sources 119-121, 874-886——Li-ion 功率/容量 Arrhenius 行为。
Edge, J. et al. (2021). Phys. Chem. Chem. Phys.——Li-ion 退化三级框架（被引 1350+）。
Ha & Onori (2023). J. Solid State Electrochem.——HPPC 方法学，功率衰减 ≈ 2× 能量衰减。
Bahrke et al. (2026). EES Batteries——首个 SIB 退化模式系统映射。
Klick et al. (2025)——SIB 退化模式分析，偶然发现电阻先于容量。
Waldmann et al. (2025). J. Electrochem. Soc.——SIB 低温 Na 沉积。
Irujo et al. (2026). J. Energy Storage——SIB 循环/日历不对称。
NREL REopt® (2023)——退化成本建模框架。
Price of Compute (2026-10)——GPU 云定价。
本系列 Report #01-#06——内部引用。