基于增强物理信息神经网络的新能源三电系统安全性评估

《Engineering Applications of Artificial Intelligence》：Safety evaluation of new energy three-electric systems using enhanced physics-informed neural networks

　　

## 摘要

准确测量新能源汽车三电系统的安全状态对于确保可靠安全运行至关重要。本文提出了一种人工智能辅助的安全测量框架，该框架将可搜索加密机制与增强型物理信息神经网络（EPINNs）相结合。在提出的框架中，可搜索加密模块支持多源测量数据的隐私保护存储与检索，而EPINNs则作为多参数状态估计与故障识别的核心人工智能（AI）模型。首先设计了一种基于块映射的轻量级可搜索加密方案，以实现特征级混淆并保护敏感测量数据。随后，通过结合数据驱动学习、子系统物理约束和能量一致性项，开发了一种基于EPINNs的状态估计模型，以增强其在噪声传感器数据条件下的鲁棒性。实验结果表明，与传统的多层感知机（MLP）和卷积神经网络（CNN）模型相比，所提出的方法在电池健康状态（SOH）估计、注入故障条件下的电机故障检测以及微电网负载测量方面均实现了性能提升，其中电机故障检测准确率在测试条件下超过95%。这些结果表明，所提出的框架为新能源汽车三电系统的智能安全监控提供了一种有效且安全的技术方案。

## 引言

面对日益严峻的能源枯竭和全球变暖挑战，绿色与新兴能源技术的研发与应用在全球范围内得到了积极推广（Li等，2023）。在此背景下，新能源汽车（Hong等，2024）和储能系统（Luo等，2025）作为化石燃料短缺的重要解决方案，受到了广泛关注。特别是基于先进储能技术的系统可以有效缓解电网供需失衡，在平滑微电网功率波动的同时减少寿命衰减（Yu等，2025），并实现精确的功率调节和高效的储能。在各种储能技术中，电化学储能、机械储能、化学储能和电磁储能得到了广泛应用。飞轮储能作为机械储能技术的代表，在轨道交通的能源制动与回收中发挥着重要作用。通过机械能与电能之间的相互转换实现储能和释能（Wang等，2025a），该技术紧密连接了微电网系统、电机系统和电池系统。在该架构中，电机通过变流器与微电网进行能量交换。当电机处于空闲状态或制动运行状态时，系统产生的多余能量由电化学储能系统进行存储，从而形成了基于机械储能的四电系统。

尽管车载电力网络和锂离子电池技术（Guo等，2025）可以支撑由电动机驱动的新推进系统的发展，但这些系统在需要瞬时大电流放电的工作条件下仍面临严重的安全挑战。一旦系统绝缘因磨损或老化而退化，大电流可能对电池安全构成严重威胁（Zharkov等，2024），并可能进一步增加火灾事故风险。因此，有必要建立有效的三电系统安全评估方法，以准确识别微电网、电机和电池中的潜在隐患，从而为储能系统的安全预警和维护提供理论支持。目前，三电系统的通用安全预警模型仍不完善，大多数现有研究仅针对单个子系统。

对于微电网而言，电气负载是影响车辆配置和电源侧储能系统安全性的关键运行指标。当负载预测偏差较大或实际负载过高时，电源侧储能系统中的锂离子电池可能经历频繁的充放电循环。这会增加电池循环次数，加速老化，影响电池健康状态（SOH），并缩短使用寿命。更为关键的是，瞬时高负载可能导致电流浪涌，从而损坏电池内部结构。根据预测时间范围，功率负载预测模型一般可分为短期和中长期模型。目前的研究主要采用基于时间序列的深度学习方法，该方法可以降低关键变量短期不确定性的影响，并通过激活函数和反向传播优化捕捉短期和长期依赖关系（Eskandari等，2025）。深度学习技术无需人工特征提取，不受系统线性或非线性约束，可以直接利用大规模数据进行模型训练（Yoon和Yoon，2024）。Ma等（2025）使用粒子群优化算法调整长短期记忆网络和极端梯度提升模型的超参数，用于功率负载预测。然而，该方法依赖于规模有限的单车数据，且主要提取统计相关性，未能有效融入物理信息。Huang等（Huang和Huang，2024）开发了一种基于改进自回归森林算法的深度学习预测框架，用于分类和回归分析，但该模型缺乏物理可解释性和抗扰动鲁棒性。Cui等（2025）提出了一种深度去噪循环神经网络-门控循环单元-辅助分类器生成对抗网络（DDRNN-GRU-ACGAN）用于异常功率负载预测，该模型结合生成数据和测量数据来模拟真实负载曲线。然而，该模型包含大量耦合参数，其性能对超参数调优和累积预测误差较为敏感。

在电机故障诊断方面，车辆电机故障可能降低系统稳定性，并通过级联故障进一步损坏储能系统中的其他部件。Tran等（2021）将时间序列信号转换为特征图像，并将其输入带有注意力机制的卷积神经网络进行故障分析。然而，该方法依赖于模拟数据而非真实电机故障数据，难以充分表征实际故障演化过程。近期研究进一步证明了机器学习方法在复杂工程预测、结构安全评估和材料性能评价方面的广泛适用性。例如，集成学习范式，包括决策树、随机森林、梯度提升、自适应提升和极端梯度提升模型，已被用于预测细粒土的液化潜能指数，该方法考虑了岩土和地震参数，表明基于集成的模型可以作为传统经验方法的可靠替代方案用于工程风险评估（Ghani等，2024）。优化的树模型机器学习模型，如决策树、随机森林和分类提升分类器，也已被开发用于预测混凝土的氯离子抗渗等级，其中超参数优化和可解释性分析相结合，为复杂材料性能评价提供了快速、经济且可解释的预测（Benzaamia等，2025）。这些研究证实了机器学习技术从多源工程数据中捕捉非线性关系的能力。然而，传统数据驱动模型仍然高度依赖数据质量、代表性和分布一致性。当运行环境、传感器配置、数据分布或故障特征发生变化时，学到的统计相关性可能变得不可靠，导致预测精度降低和泛化能力有限。

为了改进数据驱动模型的可解释性和鲁棒性，物理信息神经网络（PINNs）作为一种结合机器学习与物理定律的有效框架，受到了越来越多的关注。近期的一项综合综述表明，PINN研究已从标准全连接神经网络发展为更先进的架构和优化策略，包括注意力增强型PINNs、基于Transformer的PINNs、域分解PINNs、梯度增强型PINNs和混合激活PINNs（Ahmad等，2026a）。这些发展表明，PINN性能不仅取决于将控制方程嵌入损失函数，还与网络架构、残差优化、激活函数选择和训练稳定性密切相关。在能源领域，PINNs在能源系统建模、状态估计和运行支持方面展现出潜力（Thawon等，2026）。可泛化的物理信息傅里叶神经网络也被提出用于电路分析，该方法整合了物理激活函数、自动物理损失公式和迁移学习策略，从而提高了可解释性并实现了不同电路拓扑结构间的泛化能力（Shahbaz等，2025）。除电力和电气系统外，PINNs还应用于热流和磁流体力学问题，包括带有趋光性微生物的三元混合纳米流体流动热分析及拉伸表面附近的磁流体力学滑移流模拟（Zafar等，2025；Ahmad等，2026b）。这些研究表明了PINNs在非线性微分方程约束问题中的适用性。然而，大多数现有PINNs研究关注单一物理域，如微电网、电路、热流系统或磁流体力学流动，对新能源汽车三电系统——其中微电网负载波动、电机运行状态和电池健康退化之间存在强耦合关系——的统一安全测量关注有限。

回到电机故障诊断，Guedes等（2024）使用粒子群优化和模拟退火算法识别感应电机的电气参数，并采用机器学习算法进行故障分类。虽然使用了真实数据，但该模型在不同故障类型之间缺乏可迁移性，且主要依赖数据特征，未能充分融入底层物理关系。关于电池健康状态（SOH）评估，SOH是判断储能系统中电池退化和失效的关键指标（Qu等，2024）。SOH退化主要源于正负极材料中的不可逆副反应，导致锂离子损失和活性材料消耗。充电深度、温度变化和短路等外部因素也会影响SOH。尽管SOH退化的具体原因难以直接识别，但SOH可作为电池异常的重要指标（Zuo等，2023）。SOH评估主要包括当前状态估计和未来状态预测。Vennam等（Vennam和Sahoo，2022）将滤波技术与等效电路模型相结合，估计磷酸铁锂电池的内部状态，但基于等效电路的方法通常仅适用于特定类型的电池。Zhang等（2024）开发了一种基于电化学阻抗谱的SOH评估模型，通过提取不同SOH、荷电状态（SOC）和温度条件下的电荷转移电阻作为老化特征。虽然在各个阶段取得了良好的估计精度，但阻抗模型涉及复杂的公式推导，难以嵌入设备进行实时操作，且需要较长的计算时间。Wang等（2023）提出了一种融合算法，将粒子群优化深度置信网络与自适应扩展卡尔曼滤波器和自适应H∞滤波器相结合，用于SOC和SOH联合估计。然而，嵌套模型结构增加了优化和参数调优的复杂性。Wen等（2022）使用最小二乘法建立温度与增量容量（IC）曲线特征之间的映射关系，从而构建了不同温度下的SOH预测模型。然而，IC曲线特征主要适用于实验室恒流条件，难以适应多种工作条件重叠的复杂场景。

尽管功率负载预测、电机故障诊断、电池SOH估计和基于PINNs的建模已取得进展，但机械储能三电系统的安全评估仍存在若干研究空白。首先，大多数现有研究关注单个子系统，很少在统一框架中考虑微电网负载波动、电机运行状态和电池退化之间的耦合关系。其次，许多数据驱动模型缺乏嵌入的物理约束，这限制了其在噪声、稀疏或异常运行条件下的可解释性和鲁棒性。第三，传统故障诊断和SOH估计方法通常针对特定设备或工况设计，难以泛化到涉及多源干扰和级联故障的复杂场景。此外，多源测量过程中的数据安全和隐私保护尚未得到充分考虑。为解决上述问题，本文提出了一种基于增强型物理信息神经网络（EPINNs）的三电系统安全预测方法。所提出的方法整合了微电网、电机和电池子系统的异构数据，将物理约束嵌入模型训练中，提高了其在噪声和有限实验数据条件下的鲁棒性，并引入可搜索加密在存储、训练和推理过程中保护测量数据。

本研究为新能源汽车三电系统的机械储能装置的安全状态精确测量与可靠预测提供了一条可解释且安全的技术路径。本文针对当前三电系统安全评估模型存在的局限性，做出以下贡献：(1)提出一种可搜索加密方案，以保障新能源汽车测量数据的端到端安全性和隐私保护。(2)开发了一种基于EPINNs的测量方法，有效提高了含噪传感器数据的估计与检测精度。(3)开发了一种具有梯度归一化加权损失函数的统一检测模型，以平衡微分方程损失、边界条件损失和数据驱动损失，从而实现三电系统多任务测量的统一优化。章节片段——基于可搜索加密机制的EPINNs算法基于可搜索加密的EPINNs算法由四个主要组成部分构成。首先，从三电系统的数据库中获取数据，随后对获取的加密数据进行解密以进行进一步处理。其次，分别对电池、电机和微网子系统执行数据预处理和特征提取。第三，将提取的特征输入EPINNs中，并通过调整损失函数来优化模型性能。最后，数据来源与预处理EPINNs模型使用Python中的PyTorch框架实现，并在配备第13代Intel(R) Core(TM) i9-13900HX处理器的系统上运行。基于表2中列出的训练配置，EPINNs用于估计三电系统的健康状态（SOH）、负载和转速。遵循深度学习领域的标准实践，采用Adam优化器，学习率为0.001，并使用ReLU函数作为激活函数。结论本研究针对新能源汽车三电系统的安全状态测量需求，提出了一种基于增强物理信息神经网络（EPINNs）的实时测量方法。系统验证表明，所提出的方法在电池健康状态、电机运行状态和电网负载条件等关键参数的测量方面取得了优异性能，有效克服了传统测量方法的局限性。CRediT作者贡献声明：魏罗：撰写——审阅与编辑，撰写——初稿，方法论，调查研究，数据管理，概念化。高一方：撰写——审阅与编辑，撰写——初稿，项目管理，调查研究，正式分析，数据管理。徐文强：软件，方法论，调查研究，正式分析。阎鹏飞：软件，调查研究。何业东：监督，资源，方法论，概念化。张顺顺：撰写——初稿，可视化。利益冲突声明：作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。致谢：本工作得到广东省重点研发计划项目资助（项目编号2023B0909050002）。魏罗|高一方|徐文强|阎鹏飞|何业东|张顺顺|王传传|沈冲冲|王嘉豪