BattVAE-GP：具有不确定性量化的长时程电池退化生成建模

长时程的基于物理的电池退化模拟提供了机理层面的见解，但计算成本高昂，限制了其在延长循环寿命下对运行条件进行密集探索的应用。在此，我们提出了一种混合物理-概率学习框架，用于在未见过的充电倍率下对锂离子电池退化轨迹进行代理建模。首先，使用 PyBaMM 中的 DFN/P2D 电化学模型生成的逐循环退化数据被转换为容量对齐的电压和导数特征，并使用变分自编码器（VAE）进行编码。由此产生的二维潜空间根据循环进程和充电协议组织退化轨迹。然后，在该潜空间中，以循环数和 C-rate 作为输入变量训练一个稀疏多任务高斯过程（GP），提供潜退化动力学的连续插值以及后验不确定性估计。在协议级留出评估下，潜空间 GP 能准确恢复未见过的 C-rate 轨迹，并表现出与训练数据支持一致的不确定性行为。当在未见过的内部 C-rate 下查询时，模型生成的潜轨迹保持在与相邻模拟协议之间连贯的位置。通过冻结的 VAE 解码器解码 GP 预测的潜状态，可得到平滑的电压-容量演化，而通过辅助潜状态到健康状态（SOH）预测器对 GP 潜后验进行蒙特卡洛传播，则提供了具有不确定性意识的 SOH 估计。因此，所提出的 BattVAE-GP 框架为长时程退化建模提供了一种计算高效且具有不确定性意识的代理模型，为将电池健康预测扩展到更丰富的运行条件和未来的模拟-实验融合提供了结构化基础。