基于双路径物理信息神经网络的锂离子电池老化特征提取与火灾害预测研究

《Clean Energy》：A Dual-Path Physics-Informed Neural Network with Explicit Aging Dynamics for SOH Estimation of Lithium-ion Batteries

　　

摘要

准确估计锂离子电池的健康状态对于电池管理系统至关重要。为了解决单路径模型中深度特征提取与物理先验之间的矛盾，以及固定老化参数无法适应实际电动汽车运行条件下锂离子电池动态退化的问题，本文提出了一种基于双路径物理信息的风火灾害预测神经网络。首先，从增量容量曲线中提取峰值和面积作为老化特征。其次，构建了一个双路径并行网络架构，包括一个特征注意力门控残差网络预测主分支和一个动态参数分支。第三，引入了通用微分方程范式，将传统的固定参数物理老化方程转换为由实时健康特性驱动的动态偏微分系统。最后，该方法在公共的先进生命周期工程研究室单节电池和自组装LBP电池组数据集上进行了验证。实验结果表明，双路径物理信息神经网络显著提高了火灾害估计性能，平均绝对误差分别低至0.6920%和0.2937%。

图形摘要

在新标签页中打开 下载图表