基于多尺度自适应傅里叶编码的物理信息神经网络用于锂离子电池建模:时空径向浓度场重构与多倍率电压预测

《Engineering Applications of Artificial Intelligence》:Physics-informed neural networks with multi-scale adaptive Fourier encoding for lithium-ion battery modeling: Spatiotemporal radial concentration field reconstruction and multi-rate voltage prediction

【字体: 大 中 小 】 时间:2026年04月13日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  准确的锂离子电池电化学动力学实时建模对电池管理系统(battery management system, BMS)至关重要,但传统方法难以在机理保真度与计算效率之间取得平衡。为此,研究人员提出了一种基于物理信息神经网络(Physics-Informed Neu

  
准确的锂离子电池电化学动力学实时建模对电池管理系统(battery management system, BMS)至关重要,但传统方法难以在机理保真度与计算效率之间取得平衡。为此,研究人员提出了一种基于物理信息神经网络(Physics-Informed Neural Network, PINN)框架的人工智能(artificial intelligence, AI)方法,该框架以单颗粒模型(Single Particle Model, SPM)为理论基础。方法上,本研究引入了三项核心创新:(1)多尺度自适应傅里叶编码(Multi-scale Adaptive Fourier Encoding, MSAFE)架构,消除了刚性时空动力学中的梯度冲突;(2)功能性硬约束(Hard Constraint)公式化,显式保证诺伊曼(Neumann)边界的精确满足而无残差累积;(3)解耦的两阶段因果训练策略。作为该方法的具体工程应用,该框架实现了完整时空径向浓度场的重构与终端电压的预测。验证工作采用权威的Python电池数学建模(Python Battery Mathematical Modelling, PyBaMM)框架,结合广泛采用的商业化基准参数集,与高保真度的多孔电极模型(Doyle-Fuller-Newman, DFN)仿真结果进行对比。尽管基于降阶物理模型,该模型仍实现了精确的内部状态估计,在动态放电瞬态期间内部径向分布的相对误差为2.31%,表面分布为1.56%。此外,该模型对未见过的工况展现出鲁棒的泛化能力,放电电压均方根误差(Root Mean Square Error, RMSE)达到6.10 mV,较训练精度提升20.6%。该性能证实了物理约束有效平滑学习流形以对抗过拟合,保持97.1%的热力学一致性,同时实现毫秒级推理速度,为可靠的实时部署奠定了方法论基础。
锂离子电池(lithium-ion batteries, LIBs)凭借其高能量密度和长循环寿命,已成为可再生能源系统和电动汽车领域占主导地位的能量存储技术。然而,电池管理系统(BMS)的有效运行依赖于对内部电化学状态的准确实时建模,包括锂浓度分布、荷电状态(state-of-charge, SOC)和终端电压等,这对于确保安全运行、优化充电策略和延长循环寿命至关重要。现有的物理基电化学模型中,多孔电极模型(Doyle-Fuller-Newman, DFN)通过求解耦合偏微分方程(partial differential equations, PDEs)提供高保真预测,但计算成本高昂,难以满足实时BMS应用所需的毫秒级响应要求。另一方面,等效电路模型(equivalent circuit models, ECMs)虽然计算效率高,但缺乏物理可解释性,需要大量参数辨识,且在多倍率、变温度等未见过工况下外推性能差。这一物理保真度与计算可处理性之间的根本权衡,催生了对中间方法的需求。

近年来,机器学习(machine learning, ML)在电池建模中的应用取得进展,包括长短期记忆网络(long short-term memory networks, LSTMs)、高斯过程(Gaussian processes, GPs)、支持向量回归(Support Vector Regression, SVR)、卷积神经网络(Convolutional Neural Network, CNN)和Transformer等架构。尽管这些黑箱模型在标量输出的插值精度方面表现突出,但存在关键局限:无法提供理解机理必需的内部空间信息;缺乏物理约束导致违反基本守恒定律;对训练分布外工况泛化能力差。更重要的是,现有PINN电池应用主要预测标量输出或一维分布,缺乏完整的时空径向浓度场c(t,r)重构,且边界条件常采用软惩罚方法导致残差 violation,特别是对电化学系统至关重要的通量型Neumann边界。此外,标准多层感知机(Multilayer Perceptrons, MLPs)固有的谱偏置(spectral bias)使其难以同时捕捉颗粒半径上的慢扩散松弛和开关事件中极其尖锐的电流瞬变。

为应对上述挑战,本研究旨在设计一种轻量级、实时的神经网络,同时求解锂扩散的刚性多尺度动力学并严格遵守基本热力学边界。研究人员提出的统一物理信息神经网络(Unified PINN)框架基于SPM构建,通过结构化两阶段训练流程协同数据驱动学习与基本电化学约束。该框架的核心技术方法包括以下四个方面。

第一,多尺度自适应傅里叶编码(MSAFE)。研究人员引入了一种双频带可学习傅里叶特征编码:f(τ)=[τ, sin(2πωiLτ), cos(2πωiLτ), sin(2πωjHτ), cos(2πωjHτ)],其中低频段ωiL∈[0.0651, 2.73] Hz包含10个频率用于慢扩散,高频段ωjH∈[0.955, 19.9] Hz包含6个频率用于快速瞬变,均为可训练参数。该方法自动适应电池特定时间尺度,消除了双网络架构的需求,同时捕捉跨越三个数量级的时间变化。

第二,物理引导的硬约束架构。解的形式构造为:u(τ,ρ)=B(τ)+S(ρ)·NN(τ,ρ,f)?β·i(τ)·f(ρ),其中S(ρ)=ρ2(1?ρ)2精确强制齐次边界条件,通量项?β·i(τ)·f(ρ)中f(ρ)=ρ2/3保证?u/?ρ|ρ=1=βi(τ),无需软惩罚。

第三,完整时空径向浓度场重构。与先前关注表面值或体积平均的工作不同,该框架重构了ρ∈[0,1]上的完整时空径向浓度场c(t,r),实现了对浓度梯度的量化——这是扩散诱导应力和颗粒断裂的前兆。

第四,两阶段解耦训练。为避免端到端电压训练导致的梯度干扰,第一阶段学习浓度场u(τ,ρ)的PDE、边界条件(BC)和守恒约束,第二阶段在冻结浓度网络的基础上学习过电位。

在数据生成方面,高保真训练和验证数据采用PyBaMM框架中的DFN模型生成,采用Chen2020参数集,该参数集表征了商用NMC811正极与石墨负极的配对。DFN模型求解全P2D电极几何中的固相锂扩散、液相传输和电荷守恒耦合PDEs。

研究结果方面,表面浓度拟合结果显示,统一PINN框架准确捕捉了所有训练条件下的表面浓度动力学,模型密切追踪了放电期间由锂提取驱动的单调下降和静置期间由扩散平衡驱动的松弛平台。在β参数精化与物理一致性方面,理论上由材料性质推导的无量纲通量参数β在训练中被允许有界精化以适应Chen2020数据集中的参数不确定性。从理论值β0出发,学习参数收敛至βfinal=1.6876×10?3,与基于物理的先验相比仅漂移0.43%。这一极小偏差验证了Chen2020参数集提供了准确的材料参数,同时说明MSAFE有效编码使网络能够进行物理自洽的参数精化而非任意过拟合。

在讨论与研究结论方面,该研究提出的统一PINN作为方法论基础,成功弥合了高保真电化学模型与计算高效算法之间的差距。通过将SPM公式嵌入深度学习架构,该工作实现了完整时空径向浓度场的重构和多倍率终端电压的预测。该框架对未见过的多倍率工况展现出强泛化能力,放电电压RMSE达到6.10 mV,物理约束有效对抗过拟合,保持97.1%的热力学一致性,同时实现毫秒级推理速度,为可靠的实时BMS部署奠定了方法论基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号