基于神经代理模型的分布式电池热模型实用可辨识性分析与传感器布局优化

《Energy and AI》：A neural surrogate for practical identifiability and sensor placement in distributed battery thermal models

　　

专业术语翻译摘要 电池热管理中的安全决策依赖于分布式热参数，而非仅靠场预测。先前的工作在未确认参数可恢复性的情况下进行估计，将传感器布局用于场重建而非参数识别，并且依赖无法捕捉单侧或无界非可辨识性的Fisher信息矩阵（FIM）。剖面似然（Profile Likelihood）实用可辨识性能够同时捕捉上述两种情况，但其属于多查询计算：在完整三维模型上进行一次电池包尺度设计迭代需要一年或更长时间。研究人员通过引入一种神经代理模型——本征正交分解（POD）结合多层感知机（MLP）——使该计算变得可行，其评估成本不随网格规模增长。研究人员在已知真值条件下分析了分布式的各向异性电池模组热模型，并采用逆犯罪控制，提出了一种可辨识性门控的传感器布局规则。单一冷却条件会使穿面方向导热系数与冷板冷却系数退化，并使后者仅在一侧有界；而跨实验变化冷却系数则能使两个参数均可辨识。经完整模型验证，该代理模型能够复现其在电池包尺度的可辨识性与非可辨识性判定（而非仅场精度），尽管不能始终区分非可辨识性的具体类型，且会扭曲Fisher信息量级。十二个表面传感器仅能识别四个安全相关参数中的两个——体积热容与生热温度敏感性，而穿面方向导热系数与冷却系数不可辨识；增加近极板传感器后可恢复穿面方向导热系数的可辨识性。最终成果是一套指导准则，指明哪些参数可信、应运行哪些实验以及传感器应如何布局，同时附带一个开源的Python与MATLAB基准测试平台。

论文解读文章

一、研究背景与现存问题

电池热管理系统的安全性决策高度依赖于分布式热参数的准确获取，而非仅仅依靠温度场的预测。然而，现有研究工作存在三个显著缺陷：首先，多数参数估计算法（如递推最小二乘、双卡尔曼滤波、遗传算法等）在估计热参数时并未验证这些参数能否从实际测量数据中被可靠地恢复出来；其次，传感器布局通常以优化温度场重建为目标，而非针对参数辨识任务进行设计；第三，广泛采用的Fisher信息矩阵（FIM）方法假定似然函数呈对称二次型，因此无法捕捉那些仅一侧有界或另一侧无界的非可辨识性情况，在高度非线性场景下，约仅有50.5%的蒙特卡洛估计落入名义上的95%置信区域，且奇异FIM会破坏依赖其进行的优化设计计算。因此，亟需一种能够同时检测结构性非可辨识性（表现为剖面平坦）和实用性非可辨识性（表现为剖面仅一侧有界）的方法，并将该方法扩展到电池包尺度的大规模计算中。

二、研究内容与结论

研究人员提出了一套完整的分布式电池热模型实用可辨识性分析框架，并通过引入神经代理模型解决了包尺度计算的瓶颈问题。主要结论包括：（1）揭示了两种不同机制的参数退化关系：穿面方向导热系数（k_z）与冷却系数（h）之间的退化由模型约28:1的各向异性产生，当面内/穿面各向异性比下降时会缓解；而面内导热系数（k_x）与接触系数（h_contact）之间的相关性为结构性的，在所有各向异性比下均保持-1.00。（2）提出了多工况实验设计方案：通过在实验中变化冷却系数（尤其是低流量条件）可以打破k_z与h之间的退化，使两者均可辨识。（3）证明了神经代理模型能够保留完整PDE模型的可辨识性判定（即可辨识与非可辨识的区分），但不能可靠地保留非可辨识性的具体类型（单侧有界与平坦的区别），且会扭曲FIM的量级。（4）建立了可辨识性门控的传感器布局规则：该规则具有单调性——在四传感器配置下即可覆盖全部四个安全相关参数，且随传感器数量增加不会丢失已获得的参数可辨识性；而传统的基于场重建精度的QDEIM布局则表现出非单调性（五传感器时达到四个参数，六传感器时退回到三个参数）。

三、关键技术方法

研究人员采用了以下核心技术方法：（1）剖面似然（Profile Likelihood）实用可辨识性分析方法，以Δχ2统计量（阈值3.84对应95%置信度，自由度df=1）作为判断参数是否可辨识的标准；（2）本征正交分解（POD）结合多层感知机（MLP）构建神经代理模型，使评估成本不随有限元网格规模增长；（3）逆犯罪控制策略，即在细网格上生成合成数据并在粗网格上进行拟合，以避免参数估计中的虚假可辨识性；（4）可辨识性门控传感器布局算法，以剖面似然判定的双侧有界性作为选择传感器位置的准则。

四、研究结果

4.1 单工况可辨识性（Single-condition identifiability）

在单一冷却条件下，六个待估参数（k_x, k_z, ρc_p, h_contact, h, β）中存在两个退化对：k_z与h之间呈现退化关系，且h仅在一侧有界；k_x与h_contact之间呈现结构性完全相关。

4.2 两种不同机制的退化（Two degeneracies with different mechanisms）

进一步分析表明，k_z-h退化源于模型约28:1的各向异性比，当该比值下降时退化程度减轻；而k_x-h_contact的相关性在所有各向异性比下均为-1.00，属于结构性非可辨识性。这是对Fisher信息矩阵方法的直接挑战——FIM可能报告有界区间而剖面似然法则否认其可辨识性。

4.3 多工况设计打破退化（Multi-condition design breaks the degeneracy）

通过在不同实验中改变冷却系数（特别是采用低流量条件），可以成功打破k_z与h之间的退化，使两者均可辨识。这构成了一个以模型可靠性为导向的实验设计原则——设计的依据是参数能否被辨识，而非预测精度的高低。

4.4 全PDE设计在包尺度不可行（Full-PDE design is infeasible at pack scale）

在完整三维电池包模型上执行剖面似然的多查询计算需要超过一年的时间，这促使了神经代理模型的开发。

4.5 代理模型精度（Surrogate accuracy）

POD+MLP代理模型在温度场预测方面达到了良好的精度，且评估成本不随网格规模增长。

4.6 代理模型保留可辨识性但不保留FIM量级（The surrogate preserves identifiability, not FIM magnitudes）

代理模型能够正确复现完整模型的可辨识性判定（可辨识vs非可辨识），但在区分非可辨识性的具体类型（单侧有界vs平坦）上表现不稳定，同时会扭曲Fisher信息量的绝对值。

4.7 可辨识性门控传感器布局（Identifiability-gated sensor placement）

表面传感器阵列（12个传感器）仅能识别ρc_p和β两个参数，而k_z和h不可辨识。在候选集中加入近极板深度传感器后，可辨识性门控布局展现出单调性：四传感器即可覆盖全部四个安全参数，且随预算增加不会丢失参数；而基于场重建精度的QDEIM布局则表现出非单调性。这表明以参数信任度评分的布局随预算增长行为稳定，而以场精度评分的布局则不然。

五、讨论与结论

研究人员指出，该研究的核心意义在于将参数级别的量化不确定性分析引入电池热管理领域，填补了现有工作忽视参数可恢复性验证的空白。研究局限性包括：所采用的生热模型为轻度非线性且在所测试窗口内自稳定，不代表热失控状态；仿真研究采用已知真值参数，在实际应用中需要面对未知真值的挑战。最终结论强调：剖面似然法提供的非对称、重参数化不变的置信区间优于Fisher信息矩阵的对称近似；神经代理模型使得包尺度的可辨识性分析和实验设计成为可能；可辨识性门控的传感器布局规则为安全监控提供了可靠的参数信任度保证——即哪些参数可以信赖、需要运行哪些实验条件以及传感器应放置于何处。