基于多物理场增强前馈神经网络的NCA/Gr.SiOx电化学模型在真实驾驶循环下的电池状态估计

《ENERGY CONVERSION AND MANAGEMENT》：Battery state estimation of the NCA/Gr.SiO x electrochemical model using a multiphysics-augmented feedforward neural network under real driving cycles

　　

基于多物理场增强前馈神经网络（multiphysics-augmented feedforward neural network）的NCA/Gr.SiO_x（nickel-cobalt-aluminum/graphite-silicon monoxide）电化学模型（electrochemical model）在真实驾驶循环（real driving cycles）下的电池状态估计（battery state estimation）。基于物理的前馈神经网络（feedforward neural network）电池模型。Tesla Model Y在WLTC（Worldwide Harmonized Light Vehicles Test Cycle）、FTP75（Federal Test Procedure 75）和HWFET（Highway Fuel Economy Test Cycle）下的实验。深度神经网络（deep neural network）的优化网格搜索（grid search）。包含几何（geometry）、浓度（concentration）、传输（transport）和动力学（kinetics）的高质量数据集。NCA/Gr.SiO_x电池在冷却-加热（cooling-heating）条件下的电池状态估计。

研究背景与问题：锂离子电池（lithium-ion batteries, LIBs）在电网脱碳和电动交通中具有重要作用，其动态性能受环境温度、电芯化学体系及充放电、储存和驾驶工况下化学反应控制。电池管理系统（battery management systems, BMS）需维持15–45 °C工作窗口，并快速响应车辆动态功率需求。传统BMS依赖电流、电压、SOC（state of charge）和温度传感器，以及卡尔曼滤波结合简化模型或性能查表；数据驱动或AI驱动BMS可加速电池状态估计，但需要大规模训练数据，而多数研究和产业人员受时间与资源限制难以生成高密度数据集。现有机器学习电池模型多采用电芯测试数据，未充分反映整车真实驾驶动态；纯数据驱动模型为黑箱，未纳入电池物理；PINN-LSTM等复杂模型易过拟合且训练资源需求高；MLP、NARX等虽结构较简单，但既往工作未利用NCA/Gr.SiO_x（镍钴铝/石墨-氧化亚硅）电芯的几何、传输、浓度和动力学参数训练。为此，研究人员以Tesla Model Y在WLTC、FTP75和HWFET工况下的底盘测功机实验为数据来源，建立并验证Doyle-Fuller-Newman（DFN）电化学-热-流耦合模型，生成高质量训练数据集，再开发多物理场增强的MLP（multilayer perceptron）前馈神经网络进行电池状态估计。研究得出MLP可在优化网格搜索下实现较高精度，R²约为0.9–0.99，LM（Levenberg–Marquardt）算法收敛较快；该工作为数据驱动BMS模型开发提供指南，并可扩展至其他电芯化学体系，论文发表在《ENERGY CONVERSION AND MANAGEMENT》。
关键技术方法：以Tesla Model Y（75 kWh电池包，21700 NCA/Gr.SiO_x电芯）在底盘测功机上的WLTC、FTP75、HWFET实验为样本来源；建立DFN电化学-热-流耦合电池包模型并耦合冷却液流压降模型，以实测电压、SOC、冷却液进出口压降和电池温度验证；以42个几何、传输/浓度和动力学参数的min–max边界生成1075组数据集，按75%/15%/15%划分训练、验证和测试；构建MLP前馈神经网络，采用网格搜索优化LM、Adam、BFGS及隐藏层、神经元、传递函数和批大小等超参数，比较误差、R²、概率密度与迭代收敛。
研究结果：4.1 基础电池包模型验证。通过重复WLTC×3及（FTP75+HWFET）×2等热工况验证电-热-流模型，结果表明在优化冷却通道几何和电芯参数化后，模型可合理再现电压、SOC、冷却液进出口压降ΔP_cool、电池温度T_b和冷却液出口温度；不同工况下电压、SOC、ΔP_cool和T_b的偏差处于原文给出的较小范围，说明模型可用于生成训练数据。4.2 MLP模型网格搜索优化影响。通过比较LM、Adam和BFGS等优化方法及超参数，发现BFGS误差较低，LM收敛最快；LM在三个案例中的最佳迭代分别为50、15和21次，而Adam在300次迭代后仍未收敛；LM对应R²约为0.932–0.998，计算时间折算为每1 s时间步约18–35 ms，适合数据驱动BMS控制应用。4.3 MLP与DFN模型性能比较。通过42个DFN参数的标准差排序选取正极厚度L_p、隔膜厚度L_s、SiOx活性材料质量分数m_SiO、正极首次充电容量q_cat^fcc、SiOx交换电流密度活化能E_a,SiO和传热系数h，比较MLP与DFN真值温度图，结果表明MLP可较好再现几何、传输、浓度和动力学参数对应的电池温度图；q_cat^fcc在190–200 mAh/g区间存在小幅偏差，E_a,SiO和h因敏感性较低而被较好捕捉。
讨论与结论翻译：讨论部分指出，MLP输入数据集虽为静态参数生成，但来自经动态驾驶条件校准的电池模型；MLP对时间序列输入预测其他动态电池状态的性能将在后续工作中报告。原文还说明，由于测试车辆未进行道路驾驶或直流快充并保持于温和室内温度，且文献报道Panasonic电芯在此条件下年衰减低于1%，故本研究未考虑循环老化和日历老化模型，后续将处理；低SOC下电压极化与内阻影响亦留待未来考虑。研究结论翻译如下：本研究提出一种基于NCA/Gr.SiO_x电芯化学体系的多物理场引导前馈神经网络MLP电池模型；开发DFN电化学电池模型，并用Tesla Model Y在WLTC、FTP75和HWFET不同热条件下的先进测试数据验证，随后用于生成MLP高质量数据集。结论包括：在优化通道几何和电芯参数化后，电池包模型可合理预测重复WLTC、FTP75和HWFET工况下的电-热-流响应，电压、SOC、冷却液压降和冷却液出口温度预测精度超过90%；经验证的电池模型可为MLP训练、验证和测试生成高质量数据集，在DFN参数最优min–max范围和网格搜索超参数下，MLP模型R²=0.9–0.99，采用LM优化时训练、验证和测试误差在15–21次迭代收敛，适合数据驱动BMS控制开发；多物理场引导MLP模型可较好再现NCA/Gr.SiO_x材料几何、传输、浓度和动力学参数对应的温度图。该工作为跨多个驾驶循环和热条件预测热状态的数据驱动电池模型开发提供指南；虽然MLP输入数据集为静态，但其由校准电池模型在动态驾驶条件下生成；MLP在时间序列输入下预测其他动态电池状态的性能将在后续工作中报告。作者为Ratnak Sok与Jin Kusaka。