《Journal of Energy Storage》:Physics-inspired degradation modeling guided by dynamic orbits for battery health prognostics
编辑推荐:
•PhyOrbitNet 学习动态运行条件下的结构化退化过程。•相空间扭曲捕获了单周期内的退化表现。•状态空间传播模型建模了跨周期的退化累积。•蒸馏技术使得仅凭运行条件即可实现长期剩余使用寿命(RUL)预测。引言随着以电池供电的储能系统(ESS)和电气设备在现代能源网络、交通
- •
PhyOrbitNet 学习动态运行条件下的结构化退化过程。
- •
相空间扭曲捕获了单周期内的退化表现。
- •
状态空间传播模型建模了跨周期的退化累积。
- •
蒸馏技术使得仅凭运行条件即可实现长期剩余使用寿命(RUL)预测。
引言
随着以电池供电的储能系统(ESS)和电气设备在现代能源网络、交通系统和远程作业场景中迅速普及,确保电池长期可靠运行已成为一项关键挑战 [1]、[2]、[3]。事实上,电池健康状态评估不准确可能导致服务中断、运行效率降低甚至安全隐患 [4]、[5]。另一方面,准确的剩余使用寿命(RUL)预测可以为ESS的预测性维护提供定量依据 [6]、[7]。
然而,实际应用中的电池经常面临复杂且不规律的运行条件,包括负载波动、间歇性高功率需求、多变的环境温度以及使用模式突然变化,导致电池在动态条件下运行 [8]、[9]、[10]。这些因素使得电池老化过程高度非线性且不确定,给准确的电池寿命预测带来了诸多挑战 [11]。
在电池RUL预测方面,一个重要的研究方向是基于历史观测提取退化演化特征,并通过时间序列建模和状态空间更新实现RUL预测 [12]。此类研究通常直接从容量、健康指标或监测信号中提取退化模式 [13]、[14]。Kong等人采用Wiener过程和Ornstein-Uhlenbeck过程分别建模长期退化趋势和短期波动,以实现在线RUL预测 [15]。Lyu等人提出了一种基于预测的荷电状态(SOC)估计方法,通过微分模型分解和无迹卡尔曼滤波实现健康状态(SOH)、剩余放电时间和SOC的闭环估计与预测 [16]。Yu等人提出了一种多尺度特征提取方法,同时从跨周期和单周期数据中提取特征,以提升RUL预测性能 [17]。Zhang等人开发了一种基于领域知识的混合迁移网络,结合动态特征选择用于早期RUL预测 [18]。然而,这些方法仍缺乏对动态负载变化如何影响电池退化机制的显式分析,这削弱了其预测结果的物理可解释性 [19]、[20]。
为了进一步提高预测结果的物理一致性,近年来的研究开始将退化机制信息纳入深度学习模型,设计物理信息或物理约束建模框架 [21]、[22]、[23]。Wang等人基于等效电路模型提取具有物理意义的特征,并结合电池退化特性设计了物理引导的损失函数,从而将物理知识嵌入神经网络 [24]。Zhang等人开发了一种电化学信息驱动的多任务模型,利用电极级状态变量约束训练过程,从而引导模型学习因果关系 [25]。Feng等人开发了一种物理约束的ShuffleNet框架用于电池RUL预测,结合增强的退化特征提取与基于Arrhenius方程和库仑效率的约束,以提高预测的可靠性和准确性 [26]。Zhang等人提出了一种具有显式物理引导的物理信息神经网络用于电池RUL预测,将容量退化和内阻增长机制嵌入学习过程,以提高预测准确性 [27]。然而,上述模型通常假设老化过程随时间平滑演化,并试图学习整体的退化模式 [28]、[29]。在实际应用中,电池供电的工业设备经常面临变化的运行条件,导致基于静态运行模式的传统模型假设失效 [30]、[31]。Lyu等人 [32] 和Lyu等人 [33] 的近期研究进一步探讨了温度引起的退化异质性,并证明了热管理在延长电池使用寿命方面的重要性。除热效应外,电池容量演化还受到运行条件变化的影响,尤其是放电电流。在动态放电条件下,最终放电电流的变化会改变可观测的容量轨迹,并诱导在电流条件化退化轨道之间的转换。这些条件依赖的变异可以掩盖缓慢得多的退化趋势,从而增加长期RUL预测的复杂性。
我们之前的研究在实验上表征了可变运行条件下的这种轨道状退化行为 [34]。研究表明,与相同最终放电电流相关联的容量轨迹倾向于沿相应的电流条件化轨道演化,而最终放电电流的变化可以诱导这些轨迹之间的转换。该研究主要关注这种结构化退化行为的实验表征和基于轨道的分析。相比之下,本研究探讨如何将这种实验观测到的行为转化为可学习的物理启发表示,用于电池寿命预测。
基于这一实验基础,本研究开发了PhyOrbitNet,一种用于动态运行条件下RUL预测的物理启发退化建模框架。PhyOrbitNet并未将退化轨道本身视为方法论贡献,而是聚焦于退化表示背后的两个互补过程。开发了一种相空间扭曲表现算子,建立了快速变化的单周期内观测与缓慢演化的退化状态之间的可学习关系。进一步引入了一种基于状态空间的跨周期传播算子,用于建模退化信息的累积和传递。此外,一种教师-学生蒸馏策略将从多模态观测中学习的退化知识转移到仅由运行条件驱动的学生模型,使得在未来监测信号不可用时仍可实现长期RUL预测。
本研究的主要贡献总结如下:
- 1)
通过将实验观测到的电流条件化轨道状行为转化为结构化可学习表示,开发了一种用于动态运行条件下RUL预测的物理启发退化建模框架。
- 2)
电池退化通过单周期内退化表现和跨周期退化传播的耦合过程来表示。分别推导了相空间扭曲表现算子和跨周期传播算子来建模这两个过程。
- 3)
开发了一种蒸馏框架,将从多模态监测观测中学习的退化知识转移到仅由运行条件驱动的学生模型,使得在未来监测信号不可用时仍可实现长期RUL预测。
本研究其余部分组织如下。第2节介绍了实验设置,并分析了轨道状退化行为及其物理解释。第3节介绍了所提出的轨道结构化退化建模框架。第4节报告了实验结果和比较。第5节总结了本研究并讨论了未来研究方向。
章节摘要
动态运行条件下的实验设置
实验中使用了十二个商业软包锂离子电池,标记为Cell 01至Cell 12。所有电芯规格相同,详见表1。循环测试使用Neware CT-4008电池测试系统进行。电芯在化学体系和规格方面名义上相同,而有意对各个电芯施加不同的动态放电曲线,以研究可变运行条件下的退化行为。
在期间
整体框架设计
基于前一节的观测,关键任务是将揭示的轨道退化现象转化为可训练的RUL预测建模框架。为此,从两个互补角度进一步表征老化过程,即单周期相空间扭曲表现和跨周期退化状态传播。此外,在合理假设下,描述容量如何随运行条件变化的物理规律可以
实现细节
如图8所示,所提出的PhyOrbitNet使用每个周期的监测信号和运行条件来实现。对于教师模型,电压、电流和时间被用作单周期监测输入。每个信号被重采样为128个点并归一化到区间。运行条件向量由循环索引和最终电流组成。教师模型的详细网络配置见表2。监督目标是轨道
结论
基于动态运行条件下实验观测到的电流条件化轨道状退化行为,本研究开发了一种用于剩余使用寿命(RUL)预测的物理启发退化建模框架。PhyOrbitNet并未将退化轨道本身视为方法论贡献,而是聚焦于联合表示单周期内退化表现和跨周期退化传播。基于相空间扭曲理论,一个可学习的
CRediT作者贡献声明
Dengliang Zhu:原稿撰写、可视化、验证、软件、方法论、数据整理。Rui Yuan:审稿与编辑、项目管理、资金获取、概念化、形式化分析。Yong Lv:项目管理、形式化分析、资源、监督指导。Hongan Wu:监督指导、资金获取、数据整理。Yi Yang:监督指导、调查研究。Enrico Zio:监督指导、形式化分析、审稿与编辑。Dongzhen Lyu:审稿与
利益冲突声明
作者声明,他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
本研究得到了国家自然科学基金(批准号52305125、51875416和52405126);湖北省教育厅科学研究项目(批准号Q20251110);湖北省科技创新计划项目(批准号2026BAB025和2026CSA027);中国博士后科学基金(批准号2025M771375);湖北省自然科学基金(批准号2026AFC0632)以及的支持。
Dengliang Zhu|Rui Yuan|Yong Lv|Hongan Wu|Yi Yang|Enrico Zio|Dongzhen Lyu