基于物理信息神经网络的电池局部放电健康状态实时估计与在线退化预测

《JOURNAL OF POWER SOURCES》：Real-time state-of-health estimation and online degradation prognosis from partial battery discharge using Physics-Informed Neural Networks

　　

专业术语翻译的摘要部分 实时健康状态（State-of-Health, SOH）估计与在线退化预测对于电池管理系统至关重要。本研究提出了一种基于物理信息神经网络（Physics-Informed Neural Network, PINN）的框架，能够从任意充电或放电片段中估计锂电池SOH。该方法无需预定义的参考电压窗口即可推广到任意电压范围。研究人员采用聚类分析识别不同形态的放电片段，并为每个簇训练专用模型，相比全局模型显著提升了预测精度。通过将物理约束嵌入损失函数，PINN在SOH估计上优于传统前馈神经网络（Feedforward Neural Network, FNN）。此外，研究人员还开发了一个轻量级、与模型无关的退化预测框架，可跨数据集迁移，实现实时的退化拐点（knee-point）与寿命终止（End of Life, EoL）预测。实验在两个公开数据集上验证了方法的有效性与泛化能力。

论文解读文章

研究背景与现存问题

随着全球能源结构向可再生能源和电动交通转型，储能系统（Energy Storage System, ESS）变得不可或缺。电池退化管理是电池管理系统（Battery Management System, BMS）中的关键环节，直接影响剩余使用寿命（Remaining Useful Life, RUL）的准确估计。现有方法主要分为两类：基于物理的模型（如伪二维P2D模型、单粒子模型SPM和等效电路模型ECM）虽具有强可解释性和泛化性，但计算成本高，难以用于实时估计；数据驱动方法（如相关向量机RVM、高斯过程回归GPR、长短期记忆网络LSTM等）计算效率高，但往往难以泛化到训练分布之外的数据，且依赖完整充放电曲线或固定电压窗口，无法适应实际应用中常见的非完整曲线场景。混合方法——物理感知机器学习（Physics-aware Machine Learning, PaML）模型，特别是物理信息神经网络（Physics-Informed Neural Network, PINN），试图结合两者优势，但仍需显式的微分方程或半经验公式。现有研究大多假设充放电曲线完整或使用固定的预定义电压区域，这限制了方法在实际工况下的适用性。此外，早期寿命预测方法依赖于初始循环数据，假定退化模式在整个生命周期内保持不变，这一假设往往不成立。

研究目的与意义

为解决上述局限，本研究提出一种更通用、更实用的深度学习框架，旨在：（1）从任意充电或放电片段估计SOH，无需完整曲线或预定义电压窗口；（2）自动识别输入片段所属电压区域并选择专用预测模型；（3）通过嵌入物理约束提高预测精度；（4）开发一个不依赖电池先验信息的在线退化预测框架，实现退化拐点和寿命终止（End of Life, EoL）的实时更新。该研究的意义在于显著增强了SOH估计在实际工况下的灵活性，同时提供了一个轻量级、跨数据集可迁移的退化预测方案。

主要关键技术方法

1. 1.
   数据集与预处理：使用两个公开数据集——D1（122个锂离子电池，1.1 Ah额定容量，3.3 V额定电压，恒流4C放电，多种快充策略）和D2（55个锂离子电池，2 Ah额定容量，3.6 V额定电压，六种不同充放电策略）。所有电池均在30°C强制对流温度箱中循环至寿命终止。
2. 2.
   放电曲线分段与特征提取：将完整放电曲线均匀划分为4、8、16段（每种分段方案应用于三分之一的电池）。对每个片段提取几何描述符（弧长L_VQ、斜率m_VQ、包围面积A_VQ、平均曲率C_VQ）、电流统计指标（均值、方差、峰度、偏度）以及增量容量（Incremental Capacity, IC）曲线特征（包围面积、峰值、峰值电压、峰值容量）。
3. 3.
   聚类分析与专用模型：使用HDBSCAN密度聚类算法按形态学分组放电片段，通过Kruskal-Wallis检验、Mann-Whitney U检验和Hotelling T²统计量评估簇间差异显著性。为每个簇训练专用PINN模型，并与全局单一网络对比。
4. 4.
   物理信息神经网络（PINN）：将电池退化单调递减的先验知识作为物理约束嵌入损失函数，确保连续SOH估计随时间单调下降。与传统前馈神经网络（FNN）和LSTM网络进行性能比较。
5. 5.
   在线退化预测框架：基于实时更新的SOH估计值，采用自适应线性回归方案识别退化拐点（knee-point）和EoL，无需电池化学类型或预定义退化模型，独立应用于每个电池单元。

研究结果

RQ1：充电还是放电数据更具信息量？

研究人员使用随机森林（Random Forest, RF）和极端梯度提升（Extreme Gradient Boosting, XGB）两种模型对比充放电数据的SOH预测性能，结果表明放电数据在MAE、RMSE和R2指标上均优于充电数据。因此后续研究聚焦于放电阶段。

RQ2：能否从任意放电片段准确估计SOH？

通过将放电曲线均匀分段，并使用PINN模型从各片段估计SOH，实验证明即使在仅有部分放电数据的情况下，PINN也能实现高精度SOH估计，且不依赖完整曲线或固定电压窗口。

RQ3：不同片段是否需要不同的预测特征或模型？

聚类分析显示，不同电压区域的放电片段具有不同的形态学特征，其与SOH的相关性存在显著差异。使用HDBSCAN自动确定的簇结构后，为每个簇训练的专用PINN模型在预测精度上显著优于全局单一网络，验证了“不同片段需不同模型”的假设。

RQ4：能否在线可靠估计退化轨迹？

提出的自适应线性回归退化预测框架，仅依赖实时更新的SOH估计值，无需电池先验信息，成功识别了退化拐点和EoL。该框架在D1和D2数据集上均表现良好，证明了其跨数据集的可迁移性。

讨论与结论

本研究的核心贡献在于提出了一个高度灵活且通用的电池SOH估计与退化预测框架。主要结论包括：（1）放电数据比充电数据更适合SOH估计；（2）PINN能够从任意放电片段准确估计SOH，消除了对完整曲线或固定电压窗口的依赖；（3）不同电压区域的放电片段需要专用预测模型和特征集，聚类驱动的专用模型优于全局模型；（4）物理约束（单调衰减）的嵌入显著提升了预测性能，使PINN优于传统FNN和LSTM；（5）所提出的在线退化预测框架轻量级、无模型依赖，可跨数据集迁移，实现了退化拐点和EoL的实时动态更新。这些成果为实际BMS中的实时健康监测提供了可行且鲁棒的技术路径。