面向钠电寿命预测的跨化学体系迁移方法

摘要 钠电行业标准数据库缺失、企业历史数据不足，是产业当下真实的工程痛点：没有足够的老化数据，数据驱动寿命预测就无从谈起。2025 年 11 月英国皇家化学会 EES Batteries 在线发表的一项研究给出了一种工程上务实的路线：先用锂电的 8 组历史退化数据集提取“共性退化动力学”，再用差分建模刻画目标钠电特有的偏差，配合在线迁移因子修正两体系之间的分布差异，最后用自适应无迹卡尔曼滤波（AUKF）外推退化轨迹。7 只钠电样本的平均相对误差 MAPE 3.73%、平均绝对误差 MAE 4.6%、均方根误差 RMSE 5.2%。本文讨论该组合的逻辑、它为什么对钠电产业有特别意义，以及延展到工程落地时能做什么。

正文 一、钠电做寿命预测最大的障碍是数据 锂电领域经过十多年积累，已经构建了大量公开老化数据集（Oxford、NASA、CALCE 等），RUL 预测研究生态依赖这个底座。钠电起步晚、数据积累时间短，尤其是长循环、多样工况条件下的系统性老化数据几乎空白。该研究在这一点上先做了产业侧的准备：研究团队构建了一个综合性的钠电循环寿命数据集（7 组样本），并公布了这套方法学，这个动作本身就是钠电数据资产的起步示范。对于做储能电站运维的企业，这提示两点：一是历史运行数据的积累本身就是可计价资产；二是拿别人的数据解决自己的问题并非天方夜谭，关键在于数据的挖掘方式。 方法上的核心巧思可概括为从相似处借、从差异处改。锂钠两体系在宏观退化行为上有共性（容量衰减轨迹形状、内阻增长趋势），这些共性可以从锂电数据集中直接提取；但钠电特有的偏差（如硬碳活性位点失活路径、层状氧化物相变行为）需要单独建模。该研究用 Dual-DMD 完成分工：TD-DMD（time-delay 动态模态分解）提取锂电数据中共享的退化动力学；差分子模型捕捉钠电与锂电参照轨迹之间的差异；再加一个在线迁移因子优化机制，实时弥合两体系间的分布偏移。最后的退化轨迹外推交给 AUKF（自适应无迹卡尔曼滤波器）。 图1｜Dual-DMD 跨化学体系迁移预测框架

二、三个预测起点的验证设计与结果 为了检验数据不够也能预测是否有边界条件，作者把预测起始点设在第 100、450、600 个循环，分别代表钠电寿命的早期（性能稳定）、中期（加速退化开始）和晚期（加速退化显著、风险升高）。从结果分布看，早期预测概率集中、轨迹贴合实测；中期能利用已完成趋势的退化学信号跟踪；晚期的不确定性区间拉宽，但仍能覆盖整体退化走向。三个起点整体合成下，7 只钠电样本平均 MAPE 3.73%、MAE 4.6%、RMSE 5.2%。这个精度在钠电当前积累较薄的研究基础上是可用水平。 图2｜两类体系的寿命终止判据对比 在此之外，EOL 判据也要化学体系化。锂电行业将 80% 剩余容量作为寿命终止阈值是成熟的工程惯例。但本文作者指出钠电退化更平缓、循环更稳定，把阈值上移到 85% 更符合钠电的电化学现实。这是全生命周期运维里口径先行的例证：如果照搬锂电的 80% 口径，钠电的服役寿命会被低估 5 个百分点——折算到储能电站的收益模型和资产折旧里，是直接的利润影响。

三、迁移学习能否推到 SOH 估计？ 2026 年 IEEE Access 的另一篇论文从不同角度验证了同一思想：锂电数据先训练 SOH 模型（DNN/CNN/GRU/混合结构，LOCO 留一电芯验证），再迁移到钠电。结果显示两类电池的退化特征有显著的共性基础，跨化学体系迁移在某些模型-电芯组合上不损伤甚至提升精度，但另一些钠电样本因退化模式差异较大出现 MAE 上升（最高约 1.4 个百分点）。两条证据链合起来的结论是：迁移学习是钠电数据起步期可用的真实工具，但不是银弹，需要主动监控哪些迁移失效并本地重新校准。

参考文献 [1] He J, Xiang J, Chou S, Tan X, Lyu D. Transfer from lithium to sodium: promoting battery lifetime prognosis application. EES Batteries, 2026, 2(1): 147–162 [2] Shi Y S, Zhai X R, Hu Y J. Machine Learning-based Prediction of the Remaining Life of Sodium-ion Batteries. 华南师范大学学报（自然科学版）, 2023. [3] Remaining useful life prediction of sodium-ion batteries based on ICEEMDAN-CNN-GRU. Journal of Physics: Conference Series, 2023, 2592: 012046. [4] Remaining useful life prediction for 18650 sodium-ion batteries based on incremental capacity analysis. Energy, 2022, 261. https://ideas.repec.org/a/eee/energy/v261y2022ipas036054422202045x.html [5] State-of-Health Estimation for Lithium-Ion and Sodium-Ion Battery Cells Using Data-Driven Models and Cross-Chemistry Transfer Learning. IEEE Access, 2026. DOI: 10.1109/ACCESS.2026.3688969.