一种融合极化动力学的物理嵌入型递归脉冲神经网络用于电池健康状态估计

《Journal of Energy Storage》：A physics-embedded recurrent spiking neural network integrating polarization dynamics for battery state-of-health estimation

　　

•PE-RSNN直接从电压弛豫序列估计电池SOH。
•亚阈值LIF动态与Thevenin RC动态之间共享的一阶泄漏结构相联系。
•ECM引导的分支重建多时间尺度极化轨迹。
•PE-RSNN展现出具有竞争力的域内精度和改进的跨域鲁棒性。
•脉冲驱动计算相比传统循环基线将理论能耗降低超过100倍。

引言

全球向可持续能源系统加速转型的进程推动了锂离子电池前所未有的激增，锂离子电池已成为电动汽车（EV）和智能电网基础设施的主导电化学储能技术[1]、[2]。这些系统的可靠性和安全性取决于电池管理系统（BMS）的性能，其中精确的状态健康度（SOH）估计是基础能力[3]、[4]。SOH量化了剩余可用容量与全新电芯额定容量的比值，因此是预测性维护、二次利用以及预防灾难性热失控事件的主要指标[5]、[6]、[7]。然而，在真实动态工况下精确估计SOH仍然是一项重大挑战。随着电池老化，其底层的物理化学退化机制（包括固体电解质界面（SEI）生长、锂沉积和活性物质损失）以高度非线性和耦合的方式演变，仅通过外部电气测量无法充分表征[8]、[9]、[10]、[11]。

现有的SOH估计方法大致分为两大类：基于电化学原理的模型方法和从历史测量数据中直接学习的数据驱动方法[12]。模型方法构建电池内部动态的数学描述，从等效电路模型（ECM）[13]到高保真物理公式如Doyle-Fuller-Newman（DFN）[14]和伪二维（P2D）模型[15]。通过显式编码控制方程和具有物理意义的状态变量，这些框架提供了很强的可解释性，并确保健康推断与电化学保持一致[16]。然而，其在车载部署中往往受到老化与运行变化并发下时变参数识别的阻碍，以及在资源受限的嵌入式硬件上求解耦合微分方程的重度计算负担的制约。相比之下，数据驱动方法绕过了显式的机理假设，直接从可测量的信号中学习到SOH的映射[17]、[18]。最近的研究探索了广泛的深度学习架构，包括卷积循环网络、算子学习框架和基于注意力的时序模型，用于提取信息特征和表征电池的非线性退化行为[19]、[20]、[21]。在这些方法中，循环架构，特别是长短期记忆（LSTM）网络，通过利用门控记忆机制捕捉长程时间依赖性，在建模电池退化轨迹方面展现了强大的能力[22]、[23]。尽管具有强大的表征能力，纯数据驱动估计器仍然容易受到分布偏移的影响，当在偏离训练分布的运行条件、环境温度或循环曲线条件下进行评估时，可能出现性能退化[24]、[25]。

为缓解这些局限性，越来越多的工作将物理原理集成到数据驱动框架中，从而催生了用于电池健康管理的物理信息机器学习范式[26]、[27]。其最突出的实例是物理信息神经网络（PINNs），通过自动微分将控制方程和具有机理意义的约束嵌入到训练目标函数中作为正则化项[28]、[29]。在电池SOH估计中，PINN设计在物理知识的注入方式上有所不同，从退化趋势正则化和等效电路参数识别到混合模型-学习策略[30]、[31]、[32]。在此方面，Wang等人[33]将经验退化定律与状态空间方程耦合，训练了一个神经代理来近似在物理一致的时序演化下的退化动态。为了更好地捕捉电池老化中固有的时间依赖性，循环架构也被采用作为物理信息的骨干网络。在我们先前的工作中，He等人[34]将LSTM与Wiener过程退化模型相结合，其中物理损失对随机老化轨迹进行正则化，有效地实例化了一个用于可靠性预测并具有量化不确定性的物理信息LSTM（PI-LSTM）。尽管取得了这些进展，现有的基于PINN的SOH估计器仍面临几个持续存在的局限性。首先，它们依赖于精心策划的充电段和手工工程化的健康指标，从根本上限制了在真实应用中常见的不规则动态曲线下的鲁棒性[35]、[36]。其次，所使用的物理约束通常是半经验且特定于电池的，当老化机制在不同化学体系或电芯结构之间不同时，限制了可迁移性。第三，由于需要复杂的自动微分来计算基于物理的残差梯度，优化在计算上很耗时且对测量噪声非常敏感。最后，这些架构主要建立在传统的连续值人工神经网络（ANN）之上，在车载推理过程中会产生大量能耗，这对于嵌入式BMS实现而言是一个日益重要的问题[37]、[38]。

为解决基于ANN架构的计算和能耗约束，脉冲神经网络（SNNs），被广泛认为是第三代神经网络，已成为一种有说服力的替代方案[39]。与在每个突触上依赖连续值激活和密集乘累加操作的ANN不同，SNN通过离散二进制脉冲进行通信，并以事件驱动的方式处理信息，突触计算仅在脉冲到达时触发。这种异步、稀疏激活赋予了根本性的能耗优势，神经形态硬件可以直接利用，实现相比ANN对应物数量级的推理能耗降低[40]。除了效率之外，SNN还具有固有的时序处理能力，特别适合于序列信号建模。脉冲神经元的泄漏膜电位动态通过指数衰减自然地积分输入历史，充当隐式时间滤波器，无需LSTM或GRU网络的显式门控[41]。这种固有的时间编码使SNN成为电池健康监测的有前途的候选者，其中输入携带渐进的、随时间演化的退化特征。受这些优势的启发，最近的工作开始探索基于SNN的SOH估计。Wang等人[42]提出了一种受生物启发的脉冲时空注意力框架，利用电化学阻抗谱数据，展示了具有竞争力的精度、固有的噪声容忍度以及比传统深度学习基线更低的能耗。随后，他们引入了一种多时间步自注意力脉冲网络用于容量预测，进一步验证了受大脑启发的架构在捕捉长程退化依赖性方面的能力[43]。尽管取得了这些令人鼓舞的结果，现有的基于SNN的SOH估计器主要作为黑箱回归器运行，缺乏整合电化学领域知识的显式机制。神经形态效率与物理可解释性之间的差距促使开发物理嵌入脉冲架构，将神经形态时间动态与机理先验协调耦合，同时提供准确、可迁移且节能的SOH估计。

基于上述分析，本研究提出了一种物理嵌入循环脉冲神经网络（PE-RSNN）用于鲁棒的电池SOH估计。该框架直接处理电压弛豫序列，这些序列在充电后的静置期间易于获取，并且包含对退化敏感的电化学信息。PE-RSNN将循环脉冲骨干用于时间特征提取，并与物理嵌入的极化分支相结合，用于多时间尺度弛豫建模。这一设计背后的物理联系在于Leaky Integrate-and-Fire（LIF）神经元的亚阈值动态与Thevenin ECM中RC元件的极化动态之间共享的一阶泄漏结构。基于这种对应关系，极化分支使用从潜在表示中推断的样本自适应极化参数来重建弛豫轨迹。联合目标函数进一步将SOH回归误差与极化重建残差耦合，允许基于ECM的弛豫结构对学习的表示进行正则化。本工作的主要贡献总结如下。

(1) 开发了一种端到端的循环脉冲框架，直接从电压弛豫序列进行电池SOH估计。所提出的PE-RSNN消除了手工健康指标工程，通过循环脉冲动态利用充电后弛豫过程中嵌入的时间退化信息。

(2) 通过利用亚阈值LIF动态与Thevenin RC极化动态之间共享的一阶泄漏结构，引入了物理嵌入的多时间尺度极化分支。从骨干表示中推断样本特定的极化参数以重建弛豫轨迹，而相关的重建损失为SOH学习提供了ECM引导的结构正则化。

(3) 在域内、跨速率和跨温度协议下进行了全面评估，以衡量估计精度和对运行条件变化的鲁棒性。实验结果表明在域内具有竞争力的性能，在跨条件场景下表现出改进的鲁棒性，同时稀疏脉冲架构提供了比传统循环基线大幅降低的理论操作级能耗。

本文其余部分组织如下。第2节详细介绍了所提出的方法和网络架构。第3节呈现实验设置并讨论结果。第4节提供结论。

第2节节选：用于电池SOH估计的PE-RSNN框架

如图1所示，所提出的PE-RSNN架构将循环脉冲骨干与物理嵌入的极化分支耦合，从电压弛豫序列中联合执行SOH回归和极化轨迹重建。

对于每一个充放电循环，截断的电压弛豫序列直接被编码并由循环脉冲骨干处理，该骨干作为时间编码器，提取包含……的高维潜在表示。

数据集描述

实验验证使用了由Zhu等人[49]发布的电池老化数据集，以下简称TJU数据集。该数据集涵盖了广泛的运行条件矩阵，涉及不同的化学体系、环境温度和充放电倍率，因此可作为在多种电芯类型和运行条件下评估SOH估计的综合基准。循环寿命测试在标准……条件下对商业18,650锂离子电池进行。

结论

本文提出了一种直接从电压弛豫序列进行电池SOH估计的PE-RSNN。该框架将循环脉冲骨干与K单元极化分支相结合，该分支利用了亚阈值LIF动态与Thevenin RC极化衰减之间共享的一阶泄漏结构。通过联合SOH回归和极化轨迹重建，ECM引导的分支正则化潜在表示，同时自适应地捕捉样本特定的……

CRediT作者贡献声明

Yi Wan：撰写——审稿与编辑，撰写——原始草稿，可视化，验证，方法论，调查，形式化分析，数据管理。Shaoping Wang：撰写——审稿与编辑，监督，项目管理。Zhongze He：撰写——审稿与编辑，验证。Yixuan Zhao：撰写——审稿与编辑，调查。Di Liu：撰写——审稿与编辑，监督，项目管理，形式化分析。

利益冲突声明

作者声明他们没有已知的会可能影响本文所报告工作的财务利益或个人关系。

致谢

感谢国家自然科学基金（编号52475046）、北京市自然科学基金（编号3262013）和宁波市重点研发计划（编号2023Z010）对本工作的支持。

Yi Wan | Shaoping Wang | Zhongze He | Yixuan Zhao | Di Liu