全球能源系统正加速迈向可持续转型，在这一深刻变革中，锂离子电池已成为名副其实的“核心角色”。无论是电动汽车的规模化推广、可再生能源并网储能，还是便携式电子设备的迭代升级，均高度依赖锂离子电池技术。行业预测显示，到2030年，全球锂离子电池市场规模有望达到2797亿美元——这一数字充分彰显了其战略价值。 然而，挑战也随之而来。尽管锂离子电池在储能领域占据主导地位，但其性能衰退始终是一个难以回避的痛点。电池老化不仅影响安全性，也直接关系到经济性。简单来说，电池老化是由电化学、热学、机械三股力量相互交织、共同作用的结果。例如，固体电解质界面膜的持续生长、锂金属析出、活性材料溶解、电解液分解等，都是常见的老化现象。 而这些老化机制在很大程度上取决于温度。温度决定了反应速率、离子传输速度以及界面稳定性。换言之，温度是影响电池寿命最为关键的因素之一。 然而，当前多数研究仅聚焦于单一温度条件，这显然限制了我们全面理解电池在不同工作温度下的表现。例如，当温度超过40℃时，额外的副反应会加速容量衰减，SEI膜也会不断增厚；而当温度低于10℃时，锂金属容易在负极表面析出，导致内阻增大。但坦率而言，关于不同控制温度下电池老化差异的系统性对比分析，目前仍相当稀缺——尤其是结合可解释机器学习方法的研究，更是少之又少。 正因如此，电池管理系统迫切需要准确的剩余使用寿命预测，以优化充电策略、防止过热、保障运行安全。那么，传统方法的表现如何呢？ 传统估算方法主要分为三类：基于物理的电化学模型、等效电路模型，以及经验型老化函数。电化学模型虽然机理清晰，但需要大量参数和较高的计算资源，难以实现实时应用。等效电路模型虽然简化了电池的电学行为，但在面对不同温度和充放电循环下的复杂老化过程时，往往力不从心。经验型模型计算效率高，但一旦更换电池体系或工作环境，其泛化能力就会大打折扣。因此，每种方法都有其固有短板。 机器学习作为一种替代方案，正逐渐崭露头角。它能够通过实验数据学习复杂的非线性关系，且无需深入掌握电化学知识。近年来的研究表明，机器学习在电池状态评估方面表现亮眼，可用于预测充电状态、健康状态及剩余使用寿命。特别是随机森林、梯度提升、极端梯度提升这类集成学习方法，在捕捉电池老化过程中的非线性特征上，明显优于传统回归分析。 但问题也随之而来：机器学习模型本身是一个“黑箱”，难以从物理层面解释其预测结果，自然也不利于理解背后的机理。