一种基于物理原理的递归神经网络,结合分数阶动力学模型,用于实现鲁棒的锂离子电池电量估计
作者:Le Ke 和 Lujuan Dang
《Symmetry》:A Physics-Informed Recurrent Neural Network with Fractional-Order Kinetics for Robust Lithium-Ion Battery State of Charge Estimation
Le Ke and
Lujuan Dang
【字体:
大
中
小
】
时间:2026年04月15日
来源:Symmetry 2.2
编辑推荐:
摘要 准确的电池剩余电量(SOC)估计对于电池管理系统(BMS)的安全性和效率至关重要。尽管数据驱动的方法显示出潜力,但由于缺乏物理约束,它们的泛化能力往往有限。通过在电池中引入对称性,例如使用物理信息神经网络(PINNs),可以缓解这一问题。然而,PIN
摘要 准确的电池剩余电量(SOC)估计对于电池管理系统(BMS)的安全性和效率至关重要。尽管数据驱动的方法显示出潜力,但由于缺乏物理约束,它们的泛化能力往往有限。通过在电池中引入对称性,例如使用物理信息神经网络(PINNs),可以缓解这一问题。然而,PINNs 通常依赖于整数阶等效电路模型的微分方程,这些方程无法准确描述复杂的电化学松弛过程。为了克服这一差距,我们提出了一种新的分数阶微分物理信息神经网络(FDE-PINN)框架。与传统方法不同,该方法将分数阶等效电路模型(FO-ECM)嵌入到门控循环单元(GRU)架构中,以明确捕捉电池极化中的异常扩散和长记忆效应。具体来说,该网络通过最小化一个复合损失函数进行训练,该函数结合了数据拟合误差和分数阶控制方程的残差,包括库仑计数和分数阶电压动态。在 Panasonic 18650PF 数据集和 CALCE A123 数据集上的广泛实验验证了该方法的优越性。结果表明,所提出的 FDE-GRU 模型在 NCA 化学成分上的平均 MSE 为 14.29 ×10?4(MAE 为 2.43%,RMSE 为 3.23%),在 LiFePO4 化学成分上的平均 MSE 为 26.24 ×10?4(MAE 为 3.75%,RMSE 为 5.09%),与标准 GRU 相比,估计误差分别降低了 35.6% 和 26.2%。
1. 引言
全球迈向碳中和的努力加速了交通领域的电气化和可再生能源电网系统的部署[1,2,3]。作为电动汽车(EVs)和固定储能的核心电源,锂离子电池(LIBs)因其高能量密度和长循环寿命而至关重要。在电池管理系统(BMSs)的运行中,准确的 SOC 估计至关重要[4,5,6]。准确的 SOC 估计对于电池安全(防止过充和过放)、最佳能源利用以及电动汽车的可靠续航预测至关重要[7,8,9]。由于 SOC 涉及内部电化学反应,无法直接测量,因此必须从端电压、电流和温度等可观测变量中推断出来。由于电池的高度非线性动态、滞后效应以及由于老化和环境条件导致的内部参数的时间变化性,这一估计任务变得复杂[10]。因此,开发一种稳健且高精度的 SOC 估计算法仍然是一个重大挑战。
现有的 SOC 估计方法通常分为基于模型的方法和数据驱动的方法。基于模型的方法通常使用等效电路模型(ECMs)或电化学模型(EMs)结合自适应滤波器,如卡尔曼滤波器(KF)及其变体。研究人员经常利用电池内部的固有的电化学对称性,例如两个电极处的类似固相扩散过程或热力学行为的对称性,来构建简化而有效的 ECM 或为 EMs 建立控制方程。传统的 ECM 使用整数阶微分方程(IDEs)来描述电池动态。然而,电化学研究表明,分数阶微积分能够更好地描述 LIBs 内部的扩散过程和记忆效应[11,12,13]。因此,引入了分数阶模型(FOMs)来更准确地捕捉固相扩散和双层电容行为[14,15]。然而,虽然这些方法提供了更好的物理可解释性,但其实际实现受到模型准确性和复杂性的严重影响。传统的基于模型的求解器,如分数扩展卡尔曼滤波器(F-EKF),需要在每个时间步长连续评估非局部记忆项。这给计算和内存带来了巨大负担,使得在资源受限的 BMS 上进行在线参数识别和实时执行变得非常具有挑战性[16,17]。
相比之下,数据驱动的方法,特别是深度学习(DL)算法,由于其强大的特征提取能力而受到重视[18,19]。多层感知器(MLP)、长短时记忆(LSTM)网络和 transformers 等架构已被广泛用于将电压、电流和温度序列直接映射到 SOC。在这些方法中,门控循环单元(GRU)因其结构简单和处理时间序列数据的效率而受到青睐[20,21]。然而,纯数据驱动的模型作为黑箱运行。它们缺乏物理约束,当面对未见数据或噪声输入时,经常导致物理上不一致的预测[22,23]。此外,它们需要大量的高质量标记数据,而这些数据的获取成本很高。
为了在基于物理的可解释性和数据驱动的灵活性之间架起桥梁,物理信息神经网络(PINNs)成为了一个有前途的范式。PINNs 将物理定律(通常由微分方程表示)嵌入到神经网络的损失函数中,指导训练过程以满足数据模式和物理约束[24]。虽然最近的研究已经成功将 PINNs 应用于电池状态估计,但大多数这些框架都严格受到标准整数阶电路方程的约束[25,26]。因为这些整数阶 PINNs 通过指数衰减来近似系统动态,它们可能无法最佳地捕捉现实世界多孔电极的复杂、异常扩散和幂律松弛(Mittag-Leffler)行为。因此,仅仅依赖标准 IDEs 可能会限制估计精度和物理保真度,特别是在高度动态或极端热条件下。
为了解决这些限制,本文提出了一种名为 FDE-GRU 的新型物理信息神经网络框架,它将分数阶微分方程(FDEs)无缝集成到基于 GRU 的架构中,以实现稳健的 SOC 估计。将 FDEs 与深度学习结合的主要挑战是分数阶导数的非局部性质,这传统上会破坏反向传播的并行效率。为了克服这一点,我们的框架采用了先进的张量向量化技术来并行化 Grünwald–Letnikov(G-L)离散近似。这种算法创新消除了分数微积分的计算瓶颈,使得分数阶动态系统的端到端训练和推理变得非常高效且适用于实际应用。我们不是仅仅依赖数据映射或复杂的数学求解,而是将分数阶电路动态,特别是电压的分数阶导数和状态方程,直接嵌入到网络的损失函数中作为正则化项。这种方法利用了 GRU 处理非线性时间序列数据的能力,同时确保结果符合电池的分数阶物理定律。
本文的主要贡献总结如下:
我们提出了一种混合架构,将 GRU 与分数阶物理模型结合起来,该模型将分数阶微积分约束嵌入到 PINN 中,用于电池 SOC 估计。
我们构建了一个复合损失函数,该函数结合了数据拟合误差和分数阶控制方程的残差,特别是库仑计数(质量守恒)和分数阶电压动态方程。这种约束增强了物理一致性和模型在噪声条件下的泛化能力。
我们引入了一种高效的向量化计算策略,以克服通常与分数阶导数相关的严重性能瓶颈。通过使用先进的张量运算并行化 G-L 离散近似,我们大幅减少了计算开销,使得 FDE-GRU 框架的端到端训练和实时推断变得非常可行。
本文的其余部分组织如下。第 2 节简要回顾了分数微积分和 GRU 网络的基础知识。第 3 节详细介绍了所提出的 FDE-GRU 框架和基于物理的训练策略。第 4 节介绍了实验设置并讨论了结果。最后,第 5 节对本文进行了总结。
2. 基础知识
为了建立一个稳健且可解释的数据驱动框架来进行电池 SOC 估计,将基本物理原理与先进的顺序学习技术相结合是必不可少的。本节提供了必要的理论背景,分为三个相互关联的部分。首先,我们介绍了分数微积分,它将传统导数推广到用于建模复杂记忆依赖动态。其次,我们推导了分数阶等效电路模型(FO-ECM),这是一个基于物理的模型,使用分数阶微分方程准确捕捉锂离子电池的非理想松弛行为。最后,我们描述了 GRU 网络,这是一个强大的数据驱动模型,用于处理时间序列数据,它将作为我们提出框架的计算支柱。
2.1. 分数微积分和离散近似
为了准确描述上述非理想动态,分数微积分将微分阶数从整数 n 广义到任意实数 ??。在各种定义中,G-L 定义特别适用于数字系统和循环神经网络中的时间序列处理,因为它具有离散递归性质[27,28]。
对于连续函数 ???(??),时间 t 处的分数阶导数 ??(0 ? <1)定义为差分商的极限[29]:
????????t????(??)=lim?→0?1????∞∑??=0(?1)???(????)????(???????), (1)
其中 ????????t 是关于 t 的 G-L 分数阶导数,h 是采样时间步长,(????) 是二项式系数。
在实际的 BMS 应用中,由于采样是离散的,无限求和被截断到一个大小为 k 的内存窗口。离散近似表示为:
????????t????(??)≈1??????∑??=0??(??)??????(???????)。 (2)
这里的权重系数 ??(??)?? 可以递归计算以降低计算复杂性:
??(??)0=1,??(??)??=(1???+1??)???(??)???1,??=1,2,…,??。 (3)
方程 (2) 明确表明当前状态取决于先前状态的加权历史,数学上强调了电池动态中的记忆效应。
2.2. FO-ECM
为了解决理想整数阶组件在描述多孔电极行为方面的局限性,提出了 FO-ECM 结构。该模型是标准一阶 RC 电路的推广。分数阶等效电路如图 1 所示,其中 ?????????? 表示开路电压,??0 表示欧姆内阻,???? 是与极化电阻 ??1 并联的恒定相位元件(CPE),??1 表示 CPE 环路上的极化电压。流经电路的电流为 I,V 表示电池的可测量端电压。图 1. FO-ECM:分数阶等效电路模型。CPE 的阻抗在频域定义为 ?????????? =1??????,其中 ???? 是广义电容,??(0 ? <1)是反映与理想电容行为偏差的色散系数。需要注意的是,CPE 阻抗中的色散系数 ?? 精确对应于方程 (1) 中定义的 G-L 导数 ????????t 的分数阶 ??[30]。这在频域中的非理想电容行为和时域中由分数阶导数描述的记忆效应动态之间建立了直接的数学联系。应用库仑计数原理和基尔霍夫定律,并利用对称性,我们得到了一组分数阶微分方程(FDEs),它控制着电池的电气行为[31]:
????????????????=?????????(??), (4)
?????????1?(??)=?1??1????????1?(??)+1????????(??), (5)
???(??)=???????????(????????)+??1?(??)????(??)???0, (6)
其中 ?? 是库仑效率,Q 是电池容量,???(??) 表示端电压,???(??) 是负载电流(放电时为正),??1?(??) 表示 CPE 环路上的极化电压。方程 (4)–(6) 是我们框架中的核心物理约束。
使用这种分数阶公式相对于标准整数阶模型的优势在于对松弛过程的表示。标准模型假设极化遵循纯指数律(?????/??)衰减,这往往导致建模误差[32,33]。相比之下,电化学阻抗谱(EIS)研究表明,多孔电极中的锂离子扩散表现出异常扩散和长记忆特性,尤其是在低温或高老化状态下[30,34]。分数阶模型通过较慢的幂律类似松弛(Mittag-Leffler 函数行为)本质上描述了这些复杂动态,从而为状态估计提供了更好的物理基础[35]。
2.3. GRU 网络
GRU 是 Cho 等人提出的循环神经网络(RNNs)的一个变体,旨在解决标准 RNN 中固有的梯度消失问题[36]。与 LSTM 网络相比,GRU 具有更简单的架构和更少的参数(两个门而不是三个门),使其在实时 BMS 应用中计算效率更高,同时保持捕捉长期时间依赖性的性能相当。
在 SOC 估计的背景下,GRU 网络处理时间序列输入序列 ?? ={??1,??2,…,????},其中 L 是序列长度。正如我们在基线模型中所实现的,每个时间步长t的输入向量包含三个可观测量:????=[???(??),???(??),???(??)]?(7),其中???(??)、???(??)和???(??)分别代表电池的端电压、负载电流和电池温度。在时间步长t,GRU单元的内部机制由以下转换方程控制:????=???(?????????+?????????1+????)(8),????=???(?????????+?????????1+????)(9),????=tanh?(????????+????(????⊙????1)+???)(10),???=(1?????)⊙????1+????⊙????(11)。这里,????是更新门,它决定了需要传递多少过去的信息到未来;????是重置门,它控制忘记多少过去的信息。??表示Sigmoid激活函数,⊙代表元素级的Hadamard积,???是时间t的隐藏状态输出。在这些方程中,????、????、???和????、????、???分别代表输入和循环连接的可学习权重矩阵,而????、????、???是相应的偏置向量。这些参数在训练过程中被优化,以捕捉电池行为的复杂时间动态。
对于SOC( State of Charge)估计任务,我们采用了多对一(Many-to-One)的架构。GRU层处理整个输入序列,最后一个时间步的隐藏状态???被视为当前电池状态的高级特征表示。然后将这个最终状态输入到一个全连接(线性)层中,以预测标量SOC:???????????=???????????+???????(9),其中??? ∈????是GRU层的最终隐藏状态,代表一个高维特征向量,它封装了从整个输入序列中学到的时间动态。参数??????? ∈?1×???和??????? ∈?分别是全连接层的学习权重矩阵和偏置项。这种线性转换将丰富的高维表示???转换为一个单一的标量SOC估计。这种架构作为我们提出的基于物理信息的框架的强大数据驱动骨架。
3. 方法论
3.1. 问题表述
SOC估计的核心挑战是开发一个从可测量的电池变量到内部状态的稳健映射,同时确保物理一致性和泛化能力。正式地,给定一个测量到的端电压???(??)、负载电流???(??)和电池温度???(??)的时间序列,目标是估计每个时间步长t的SOC:??????????(??)=??(???(?????:??),???(?????:??),???(?????:??);Θ(10),其中?表示估计模型,k是历史窗口长度,Θ代表模型参数。传统的数据驱动方法直接从标记数据中学习?,但往往产生物理上不合理的预测。相比之下,我们的方法在训练期间将电池动态的控制FDE(Fractional Differential Equations)作为约束条件集成进来,确保学习到的映射?尊重潜在的电化学物理规律。
3.2. 提出的FDE-GRU架构
3.2.1. FDE-GRU框架的概述
所提出的框架无缝地将数据驱动的循环神经网络与FO-ECM(Fractional Order Electrical Model)集成在一起。如图2所示,该架构包括两条并行路径:估计路径和基于物理信息的正则化路径。估计路径将测量的端电压V、负载电流I和温度T作为输入,并通过GRU网络处理它们以提取时间特征并输出估计的SOC(?????????)。基于物理信息的路径结合了FO-ECM,其中包括欧姆电阻??0、极化电阻??1和分数电容????,以计算开路电压??????????和极化电压??1。然后计算极化电压的分数导数?????????1,以强制遵循潜在的分数阶动态。总损失???????????????是数据拟合损失????????????、基于库仑计量的质量守恒损失????????????以及基于FDE的分数极化损失????????????的复合体,确保估计的SOC既符合数据又符合物理规律。
3.2.2. 主干网络:GRU
估计路径的骨干是一个标准的GRU网络。虽然最近的高容量架构(如Transformers)在序列建模方面表现出色,但它们的二次计算复杂性和大的内存占用对资源受限的BMS微控制器(BMS microcontrollers)的实时推理构成了重大障碍[37,38]。选择GRU作为最佳骨干,因为它的循环隐藏状态自然地捕捉了电池松弛的时间依赖性记忆效应,而其简化的门控机制(与LSTM相比)确保了高计算效率和轻量级的参数空间,使得边缘部署非常可行。对于每个时间步长t,GRU接收一个输入向量???? =[???(??),???(??),???(??)]?并根据方程(8)中定义的门控机制更新其隐藏状态???。处理长度为L的序列后,最终隐藏状态???通过全连接层传递,以产生SOC估计??????????(??)(如方程(9)所述)。这种多对一架构确保每个时间步的预测都受到最近测量值的上下文窗口的影响。
3.2.3. 物理参数
为了明确地将电池的电气特性嵌入学习过程中,我们将关键物理变量参数化为神经网络内的可训练张量。具体来说,欧姆电阻??0、极化电阻??1和CPE(Coulomb Penguelet Effect)的广义电容????被定义为可学习参数,并根据锂离子电池的典型值进行初始化。这些参数在训练过程中与GRU的权重一起优化,使模型能够适应研究的特定电池。分数阶??,它表征了CPE的扩散过程中的分散性和记忆效应,被视为由电池化学性质决定的固定超参数。这种分离确保了动态的基本分数阶特性得到保留,同时允许从数据中微调电气参数。
3.2.4. 基于物理信息的损失表述
为了确保估计的SOC遵循电化学定律,我们根据第2.2节中推导的约束方程制定了物理残差。这些残差量化了每个约束的左手边(LHS)和右手边(RHS)之间的差异,最小化它们可以确保物理一致性。
1. 质量守恒残差(????????????):根据库仑计数原理,该原理本质上反映了电荷守恒的对称性,SOC的变化率与负载电流成正比。在我们的实现中,根据方程(4),我们定义残差为:????????????=∥????????(??)+?????????????????∥2(11),其中?????????是通过GRU网络(方程(9)估计的)。在离散域中,??????????????通过连续时间步之间的有限差分来近似。
2. 分数极化残差(????????????):首先根据方程(6)从基尔霍夫电压定律推导出极化电压??1:??1?(??)=???(??)????????????(???????????)+???(??)???0(12),其中??????????通过映射层建模。将方程(12)代入方程(5)得到残差项:????????????=∥?????????1?(??)+1??1????????1?(??)?1????????(??)∥2(13)。为了高效计算分数导数?????????1?(??),我们使用了functorch库中的vmap(vectorizing map)操作符。这允许在批次维度上并行执行G-L卷积,而无需显式循环,显著加快了训练过程。方程(2)中的离散G-L近似需要将无限记忆窗口截断为有限长度k。在所有实验中,我们设置?? =10,这意味着每个时间步的分数导数取决于当前值和过去10个历史状态。选择?? =10的动机是基于G-L近似的数学性质和我们的底层计算架构。从理论上讲,G-L权重系数?????(??)随着索引j的增加而衰减。鉴于数据集的具体采样率,对于?? >10,系数变得足够小,表明较旧的历史状态对当前极化动态的贡献可以忽略不计。此外,这种理论上的截断与我们的并行化策略完美对齐。因为vmap操作器的计算图与k成线性比例,设置?? =10有效地捕获了主要的分数记忆效应,而不会导致计算内存占用和处理开销的不成比例增加。因此,?? =10是一个最佳的结构设计选择,确保了可靠的物理约束,同时满足了资源受限的硬件要求。
3.2.5. 分数微分的实现
对于FDE-GRU的实际训练来说,高效计算分数导数至关重要。我们使用一维卷积(Conv1d)操作来实现离散的G-L导数(方程(2)的的计算,该操作利用了现代硬件上的优化并行计算。G-L权重??(??)??是使用方程(3)递归预计算的,并存储为没有偏置的Conv1d层的核。给定一系列长度为N的极化电压??1?(??),通过将这个序列与G-L核进行卷积来获得分数导数?????????1?(??)。这种方法有效地捕捉了分数微积分中的长距离依赖性。
为了进一步加速训练,我们使用了PyTorch functorch库中的vmap(vectorizing map)操作符。vmap自动将卷积操作向量化,使得能够并行计算批次中所有样本的分数导数,而无需显式的Python循环。这大幅减少了计算时间,使得基于物理信息的训练能够适用于大型数据集。G-L近似的记忆窗口长度k设置为10,平衡了准确性和计算效率。在我们的实验中,这种配置在保持理想分数导数的同时,实现了可行的训练时间。值得注意的是,虽然包含物理约束导致训练时间略有增加(大约比标准GRU慢25%,但一旦训练完成,FDE-GRU的推理速度几乎与标准GRU相同,确保了在嵌入式BMS硬件中的实时部署能力。
3.3. 优化算法
训练过程被构建为一个多目标优化问题。总损失函数???????????????是数据拟合误差(MSE)和物理残差的总和:???????????????=MSE?(?????????,???????????????????)+????????????+????????????(14),其中MSE?(?????????,???????????????????) =1???∑????=1(???????????????????????????????,??)2。训练的目标是最小化???????????????,针对GRU网络参数和可训练的物理参数(??0, ??1, ????)。详细训练过程总结在算法1中。
算法1 FDE-GRU的基于物理信息的训练策略
需要:
- 数据集?? ={(????,????)},其中???? ={[???(??),???(??),???(??)}是长度为L的电压、电流和温度测量序列,???? ={SOCtrue,??}是每个时间步对应的真实SOC值;
- 初始权重?? ={????,????,???,????,????,???,????,????,???};
- 物理参数?? ={??0,??1,????};
- 超参数:学习率??;分数阶??;批量大小B
1. 初始化网络参数??和物理参数??
2. 对于epoch =1到??????????????????:
3. 对于数据集??中的每个批次(????,????):
4. 前向传播:
5. ????????? ←GRU???(????)
6. 物理计算:
7. 通过映射层计算??????????
8. 推导极化电压??1 ←?? ??????????? +?? ·??0
9. 使用向量化G-L求解器计算?????????1
10. 损失计算:
11. ???????????? ←∥??????????????∥2
12. ???????????? ←∥???????+Δ???????∥2
13. ???????????? ←∥?????????1+1??1????????1???????∥2
14. ??????????????? ←???????????? +?其次,可训练的物理参数(??0, ??1, ????)通常与神经网络权重相比具有不同的数量级和敏感性,这使得自适应优化对于稳定收敛至关重要。在训练过程中,我们观察到Adam优化器有效地平衡了最小化数据预测误差与满足分数阶物理约束之间的竞争目标。指数移动平均为在损失函数的平坦区域导航提供了类似动量的行为,同时减弱了在陡峭方向上的振荡,从而与非自适应优化器相比实现了更稳定的收敛。
4. 实验设置
4.1. 数据集和预处理
本研究中的所有实验均使用两个公开可用的电池数据集进行:由威斯康星大学麦迪逊分校的Philip Kollmeyer博士提供的Panasonic 18650PF数据集[42]和CALCE A123电池数据集[43]。Panasonic数据集包括在从零下到室温(25°C、10°C、0°C、?10°C和?20°C)的广泛温度范围内的测试,使用了针对电动汽车电池组的动态负载剖面,如US06、HWFET、UDDS和LA92驱动循环。CALCE数据集涵盖了在DST、FUDS和US06动态负载剖面下的七个不同温度条件(0°C、10°C、20°C、25°C、30°C、40°C和50°C)的测试。
为了构建模型训练和测试集,根据各自数据集的结构应用了特定的分区策略。对于Panasonic 18650PF数据集,在每个测试温度下,标准测试序列包括以下顺序的九个驱动循环:第1循环、第2循环、第3循环、第4循环、US06、HWFET、UDDS、LA92和神经网络(NN),其中第1-4循环包含了US06、HWFET、UDDS、LA92和NN剖面的随机组合。第1循环、第2循环、第3循环和第4循环的数据被分配到训练集。随后的五个标准化驱动循环(US06、HWFET、UDDS、LA92和NN)被分配到测试集,以便评估模型对未见过标准驾驶剖面的泛化能力。
对于CALCE A123数据集,采用了跨剖面评估策略。具体来说,两个动态驱动循环(例如DST和FUDS)的数据被分配到训练集,而剩余的循环(例如US06)被保留用于测试集。这种方法严格评估了模型在相同热状态下的适应能力。
4.2. 模型实现和训练协议
所提出的模型是使用PyTorch深度学习框架实现的。所有实验都在配备有NVIDIA GeForce RTX 5060 Ti GPU(16 GB VRAM)、AMD EPYC 7601 32核CPU(分配了8个vCPUs)和62 GB RAM的云服务器上进行的,使用的是PyTorch 2.9.1和Python 3.11。关键实现参数如下:
数据预处理:输入特征包括电压、电流和温度的原始测量值。序列长度通过滑动窗口方法确定,并在所有实验中固定为20。
网络配置:为了确保公平和稳健的比较,所有深度学习基线和我们提出的基于物理的模型的数据驱动主干都配置了相似的架构规模,主要集中在32个隐藏状态维度和一个线性输出层。具体来说,GRU和LSTM模型使用单个具有32个隐藏单元的循环层,而Bi-LSTM在每个方向上使用32个单元。MLP包含两个具有ReLU激活函数的32单元隐藏层。CNN-LSTM在32单元LSTM之前添加了一个1D卷积层(32个滤波器,核大小为3,填充为1)。Transformer使用1个编码器层,嵌入维度为128,4个注意力头,以及512的前馈维度。对于我们提出的模型,32单元的数据驱动主干随后受到可训练物理参数(例如??0、??1、????)的约束,以解决分数阶微分方程(FDEs)。
物理参数:特别是对于我们提出的基于物理的模型,网络结合了可训练和固定的基于物理的参数。可训练参数是FO-ECM组件??0、??1和????,初始值设为1.0的可学习变量。相比之下,电池容量Q在Panasonic数据集中固定为2.9 Ah,在CALCE数据集中固定为1.1 Ah,缩放因子??设置为1.0。此外,离散分数阶导数使用10的窗口长度来平衡计算效率和模型性能。
训练设置:所有方法都在一组共同的学习率和批量大小下进行评估,以确保一致的比较。具体来说,批量大小为128和256,分别与学习率1 ×10?3、5 ×10?4、2.5 ×10?4、2 ×10?4和1 ×10?4结合使用,以探索模型收敛和泛化之间的最佳权衡。每个模型使用Adam优化器[39]训练100个周期。固定的随机种子确保了可重复性。值得注意的是,主要采用固定的100周期策略是为了为所有评估的架构提供严格的统一计算预算,以获得公平的比较基线。虽然FDE-GRU中的基于物理的损失项作为强大的正则化器来减轻过拟合,但未来的研究将采用动态提前停止来进一步消除不必要的计算开销。
4.3. 测试和验证评估
为了严格评估所提出的FDE-GRU框架与基线模型的稳健性,建立了一个全面的跨剖面测试和验证协议。在评估阶段,网络参数被严格冻结。然后在完全未见过的标准驱动循环(例如,Panasonic数据集的US06、HWFET、UDDS、LA92和NN,以及CALCE数据集的保留测试循环)上对模型进行验证。这种评估策略确保了验证过程严格测试了模型对在训练阶段未遇到的新的、高度动态的负载条件的适应能力。
SOC估计的性能使用三个标准统计指标进行定量评估:均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE)。这些指标提供了对估计精度的全面评估。具体来说,MSE和RMSE对大的局部误差(例如在激进电流脉冲期间的超调)特别敏感,而MAE反映了整个驾驶周期的平均绝对偏差。这些指标的数学定义如下:
MSE=1?????∑??=1(?????^????)2, (21)
MAE=1?????∑??=1∣?????^????∣, (22)
RMSE=√√ √ √ √?1?????∑??=1(?????^????)2, (23)
其中????表示真实的参考SOC值,^????表示第i个时间步的预测SOC值,N是验证序列中的样本总数。为了在不同条件下清晰地展示结果,除非另有说明,后续部分报告的MSE值均缩放了10?4(即,报告的x值对应于实际的MSE为?? ×10?4),而MAE和RMSE以百分比(%)报告。
5. 结果和讨论
在本节中,我们全面评估了所提出的FDE-GRU框架。评估从四个维度进行:(1)与传统方法的整体准确性比较;(2)关于分数阶??影响的消融研究,以验证分数阶微积分的必要性,随后对最优分数阶(?? =0.25)和整数阶(?? =1.0)模型进行专门的比较;(3)在不同温度条件下的稳健性分析;以及(4)对高度动态驾驶循环的适应性。
5.1. 整体性能比较
本小节评估了所有模型在Panasonic 18650PF和CALCE A123数据集上的整体性能。对于Panasonic数据集,评估涵盖了所有温度条件(?20°C、?10°C、0°C、10°C和25°C)和所有驱动循环(US06、HWFET、UDDS、LA92和NN)。对于使用锂铁磷酸盐(LiFePO4)化学体系的CALCE A123数据集,评估涵盖了从0°C到50°C的温度范围和包括DST、US06和FUDS的驱动循环。性能是通过计算每个数据集整个测试集的MSE来汇总的。这提供了对每种模型在多种操作条件下的平均精确度的全面评估。
表1展示了Panasonic数据集在所有测试温度和驱动循环下的综合性能。所提出的FDE-GRU(?? =0.25)实现了最低的平均MSE 14.29 ×10?4,表现优于所有基线。表1. 所有模型在各种驱动循环下的平均MSE(10?4)、MAE(%)和RMSE(%)(Panasonic 18650PF)。同样,表2展示了CALCE A123数据集上的整体性能。所提出的FDE-GRU框架在这一LiFePO4电池化学体系上始终优于所有纯数据驱动的基线。具体来说,FDE-GRU实现了最低的整体平均MSE 26.24 ×10?4和RMSE 5.09%,与标准GRU(35.55 ×10?4)相比减少了26.2%的估计误差。表2. 所有模型在各种驱动循环下的平均MSE(10?4)、MAE(%)和RMSE(%)(CALCE A123)。与包括GRU、MLP、LSTM、BiLSTM、CNN-LSTM和Transformer在内的纯数据驱动深度学习模型相比,FDE-GRU显示出显著的优越性。具体来说,对于Panasonic 18650PF电池数据集,它将MSE降低了35.6%,与标准GRU(22.19 ×10?4)相比;与Transformer模型(27.88 ×10?4)相比降低了48.7%。同样,对于CALCE A123数据集,它将MSE降低了26.2%,与GRU(35.55 ×10?4)相比降低了26.2%,与Transformer模型(50.08 ×10?4)相比降低了47.6%。值得注意的是,像Transformer和BiLSTM这样的复杂架构在这个任务上并没有比标准GRU取得显著的优势。这可能归因于数据集规模有限或这些架构与当前预测范围的兼容性。在没有物理约束的正则化效果的情况下,增加的模型容量容易出现过拟合问题,而FDE-GRU通过其轻量级的、基于物理的循环结构有效地缓解了这一问题,以更高的计算效率实现了更好的准确性。
为了提供特定条件下的模型性能的直观见解,图3和图4比较了四种代表性模型(FDE-GRU、LSTM、GRU和Transformer)在三种代表性温度(0°C、25°C和?20°C)和四种动态驱动循环(HWFET、LA92、UDDS和US06)下的SOC估计结果。这些循环被选为代表不同的驾驶模式:HWFET代表高速公路条件,LA92代表激进的城市驾驶,UDDS代表频繁停车的城市驾驶,US06代表高速和高加速度场景。这些图提供了初步的视觉证据,表明所提出的FDE-GRU在所有显示的条件下与GRU、LSTM和Transformer模型相比保持了更接近的跟踪,表明其在不同的温度和负载剖面下的稳健性更优。这些图展示了SOC估计结果,包括两个组成部分:(a)随时间变化的预测SOC值与参考SOC值的比较,以及(b)相应的绝对误差剖面。为了更清晰地可视化误差趋势,绝对误差图(b)中的数据点以100的子采样间隔展示。以下小节提供了在这些特定场景下估计误差的详细定量分析。
5.2. 分数阶动力学的影响:消融研究
本小节研究了分数阶参数??对SOC估计精度的影响。评估在Panasonic 18650PF电池数据集的所有温度条件和所有驱动循环中进行,以确保全面评估。对于每个?? ∈{0.1,0.2,0.25,0.3,0.4,0.5,0.6,0.7,0.75,0.8,0.9,1.0}的值,相应的FDE-GRU模型在包含所有五个温度和所有五个驱动循环的完整测试集上进行测试。计算所有这些条件下的平均MSE以量化??变化的影响。
本工作的核心假设是锂离子电池动态,特别是固相扩散和双层极化,本质上是分数阶过程。为了验证这一点,我们通过改变物理感知损失函数????????????中的导数阶数??进行了消融研究。这项消融研究使用了第4.1节和第4.2节中描述的相同数据集、数据分割和模型实现细节,唯一的区别是物理感知损失中的分数阶??的值。我们测试了上述列出的??值,其中?? =1.0代表标准的整数阶等效电路模型(通常用于现有的PINNs)。估计精度的比较结果总结在表3中。此外,图5可视化了不同??值下的平均MSE和单次训练时间。表3. 分数阶??对SOC估计精度的影响(平均MSE ×10?4)。图5. 分数阶??对SOC估计精度(平均MSE ×10?4)和单次训练时间(分钟)的影响。结果得出了两个关键的理解:(1)物理信息与数据驱动:即使在整数阶约束(?? =1.0)下,物理信息模型(MSE 18.34 ×10?4)也显著优于纯数据驱动的GRU(MSE 22.19 ×10?4)。这证实了嵌入基尔霍夫定律和质量守恒可以显式规范网络,防止非物理预测。(2)分数阶与整数阶:值得注意的是,当?? =0.25时,模型在所有测试配置中表现最佳,比整数阶对应模型(?? =1.0)提高了大约22.1%。总体趋势表明,??值在较低到中等范围(0.1–0.6)的模型通常优于??值接近1.0的模型。这一观察结果支持了电化学假设,即电池松弛动态可能更好地用幂律衰减(Mittag-Leffler函数)来描述,而不是纯指数衰减。我们实验中的最佳??值0.25似乎在模拟固态锂扩散的特征性长记忆效应和保持数值稳定性之间取得了平衡。然而,我们注意到最佳值可能随电池化学成分和操作条件而变化,需要进一步研究以确立明确的物理解释。
5.3. 不同工作温度下的鲁棒性
本小节检查了所有模型在不同温度条件下的鲁棒性。对于Panasonic数据集,在每个特定温度(-20°C、-10°C、0°C、10°C和25°C)下,模型在对应于该温度的测试数据上进行评估,这些数据包括所有五个驱动循环(US06、HWFET、UDDS、LA92和NN)。MSE值是在每个温度的所有驱动循环中平均得出的,以便清晰分析温度下降时的性能退化。
评估模型在不同温度条件下的性能至关重要,因为温度波动会显著改变内部电化学阻抗。特别是低温会加剧异常扩散和非线性极化效应,为模型的物理捕捉能力提供了一个严格的测试平台。表4详细说明了温度从25°C降到-20°C时的性能退化情况。表4. 不同温度下所有模型在各种驱动循环下的平均MSE(10^-4)。在不同温度条件下,由于温度依赖的电化学动态,电池状态估计模型的性能差异显著。在温和的室温(25°C)下,动力学快速且动态近乎线性,大多数模型表现良好,性能差距相对较小,FDE-GRU的MSE为2.52 ×10^-4。随着温度下降,模型准确性的退化越来越明显,但FDE-GRU(?? =0.25)在所有低温范围内的鲁棒性始终表现优异。在0°C时,电解质粘度开始增加,扩散过程减慢,FDE-GRU的MSE为11.14 ×10^-4,显著优于标准GRU(34.73 ×10^-4)、LSTM(34.66 ×10^-4)和Transformer(30.67 ×10^-4)。这一优势在-10°C时仍然存在,FDE-GRU的MSE为18.68 ×10^-4,而GRU为23.20 ×10^-4,LSTM为27.46 ×10^-4。在极寒(-20°C)下,内部电阻增加和异常扩散严重挑战了纯数据驱动的模型,FDE-GRU再次记录了最低的误差(33.73 ×10^-4),远低于GRU(38.08 ×10^-4)和MLP(59.85 ×10^-4)。重要的是,FDE-GRU(?? =0.25)相对于整数阶FDE-GRU(?? =1.0)(在-20°C时的MSE为41.10 ×10^-4)的改进突显了在低温条件下半分数阶微积分的优势。在较低温度下,许多物理系统表现出增加的粘度和减慢的动态,通常导致非菲克扩散[44]。分数阶导数的非局部核在数学上适合模拟这种依赖记忆的粘弹性传输行为,使神经网络在这些未见过的、具有挑战性的环境中更有效地泛化[45]。此外,表5详细说明了CALCE A123数据集在从0°C到50°C的广泛温度范围内的温度鲁棒性。FDE-GRU在所有评估的温度下始终保持最低的MSE。这种优势在较低温度(例如0°C)下仍然显著,表明分数阶物理约束有效地规范了神经网络,以捕捉增强的记忆效应和非理想的电化学扩散,无论具体的电池化学成分如何。表5. CALCE A123数据集上所有模型在不同温度下的平均MSE(10^-4)。
5.4. 适应动态驱动循环的能力
本小节评估了所有模型对不同驱动模式的适应能力。对于Panasonic数据集,对于每个特定的驱动循环(HWFET、LA92、US06、UDDS和NN),模型在对应于该驱动循环的测试数据上进行了评估,涵盖了所有温度条件。MSE值是在每个温度的所有驱动循环中平均得出的,从而能够比较不同动态负载轮廓下的模型性能。我们进一步评估了模型在代表不同驾驶行为的不同驱动循环下的表现:UDDS(城市)、HWFET(公路)和US06(激进)。US06循环因其快速的高电流充放电脉冲而带来了最大的挑战。如表6所示,在激进的US06循环下,FDE-GRU的MSE为35.72 ×10^-4,远低于Transformer(71.84 ×10^-4)和MLP(71.73 ×10^-4)。大电流速率通常会导致剧烈的极化电压[46]。纯数据驱动的模型在这些峰值期间经常过度或不足地估计SOC。FDE-GRU受到极化电压的分数阶动态的约束(由第2.2节中的方程(5)控制):?????????1?(??)=?1??1????????1?(??)+1????????(??)。(24)这一约束强制电压在电流脉冲后恢复到特定轨迹。因此,即使输入电流发生很大变化(如US06),网络的预测SOC和内部状态仍然保持在物理范围内,防止了Transformer和LSTM中常见的漂移。表6. 所有模型在不同温度下在不同驱动循环下的平均MSE(10^-4)。这种鲁棒的适应性也扩展到了CALCE A123数据集,如表7所示。评估模型在DST、US06和FUDS动态驱动循环下的表现揭示了FDE-GRU尽管面对复杂的负载轮廓仍能保持稳健的SOC跟踪。重要的是,它成功克服了LiFePO4化学成分带来的独特估计挑战,尤其是其著名的平缓开路电压(OCV)平台。表7. CALCE A123数据集上所有模型在不同驱动循环下的平均MSE(10^-4)。
5.5. FDE-GRU(?? =0.25)与FDE-GRU(?? =1.0)的进一步比较
为了进一步阐明分数阶动态相对于整数阶近似的优势,本小节提供了Panasonic数据集在不同操作条件下FDE-GRU(?? =0.25)与FDE-GRU(?? =1.0)之间的详细比较分析。图6展示了代表性驱动循环和温度下的绝对误差分布,其中去除了前1%的极端值以更好地突出两种模型之间的中心趋势和典型性能差异。如图6所示,尽管两种模型在某些条件下的准确性相当,但FDE-GRU(?? =0.25)在多个场景中表现出明显且一致的优势,特别是在不同温度下的HWFET循环期间。在这种以持续中等电流负载为特征的公路驾驶模式下,分数阶模型不仅中位数误差更低,误差分布也更紧凑,表明其鲁棒性更优。这种模式与表4和表6中呈现的汇总性能指标一致,其中FDE-GRU(?? =0.25)在所有测试条件下的平均MSE最低。分数阶模型的观察到的性能优势可以通过锂离子电池的电化学特性来理解。HWFET循环具有相对稳定和持续的电流需求,强调了电池的长期松弛行为和极化动态。分数阶微积分通过其固有的记忆核(方程(2)提供了一个更自然地描述电池松弛过程中观察到的幂律衰减和长记忆效应的数学框架[30,35]。相比之下,整数阶模型(?? =1.0)假设指数衰减,可能无法充分捕捉这些复杂动态,可能导致持续运行期间逐渐累积误差。此外,FDE-GRU(?? =0.25)在较低温度下的性能提升(如图6和表4所示)与已建立的电化学原理一致。众所周知,较低温度会放大非理想的电池行为,使扩散过程更加亚扩散,并增加记忆效应的重要性[44]。分数阶导数的参数?? <1为模拟这些温度依赖的偏差提供了更大的灵活性,与整数阶近似相比。虽然两种模型都包含了物理约束,但分数阶公式似乎为神经网络提供了更准确的规范,特别是在长期动态和温度依赖效应显著的情况下。这表明FDE更忠实地再现了控制锂离子电池行为的潜在电化学过程。
5.6. 误差分布分析
为了评估模型的可靠性和鲁棒性,我们使用小提琴图(见图7、图8、图9、图10和图11)来可视化误差分布。每个小提琴图是根据在Panasonic数据集的每个特定温度和驱动循环下训练和测试每个模型五次所得到的MAE和RMSE值构建的。这些图共同突出了估计误差的一致性和分布,使得可以直接比较不同研究场景下的模型性能。图7. 0°C下不同测试循环的小提琴图比较。图8. 10°C下不同测试循环的小提琴图比较。图9. -10°C下不同测试循环的小提琴图比较。图10. -20°C下不同测试循环的小提琴图比较。图11. 25°C下不同测试循环的小提琴图比较。以0°C下的US06案例(图7d)为例,FDE-GRU的分布特点是误差集中在零附近,更重要的是,其尾部比BiLSTM和CNN-LSTM短得多。误差分布中的长尾部意味着偶尔会出现大偏差,这对BMS的安全性来说很危险(可能会导致过放电)。FDE-GRU的误差分布紧凑性归因于双重约束机制:质量守恒定律(????????????)锁定了低频SOC趋势,而分数电压定律(????????????)纠正了高频极化动态。
5.7. 计算复杂性分析
为了评估所提出的FDE-GRU的实际可部署性,我们从训练时间和推理延迟的角度分析了其计算成本。所有模型都在第4节描述的相同硬件配置上进行了训练。训练时间记录为单次训练运行的典型值,即100个周期,批量大小为256。推理延迟是在批量大小为一的CPU上评估的,以模拟实时BMS执行。在初始预热阶段之后,计算了2000次独立推理运行的平均处理时间。值得注意的是,对于FDE-GRU,包含向量化G-L分数阶导数计算的物理信息路径仅在反向传播训练阶段使用。在推理期间,这个路径被忽略,模型严格使用标准的GRU前向传递。表8总结了计算结果。在循环架构中,标准GRU在训练期间非常高效(10分钟)。所提出的FDE-GRU的平均训练时间为16分钟,增加了6分钟。这一开销完全归因于训练循环内的额外分数阶导数计算。尽管如此,这种一次性离线训练成本是可以接受的。更重要的是,FDE-GRU的推理延迟(0.57毫秒)与标准GRU(0.56毫秒)几乎相同,因为分数阶约束在部署后被排除。虽然像MLP这样的简单架构提供了更低的延迟(0.05毫秒),但FDE-GRU在动态建模能力和计算成本之间取得了极好的平衡。此外,与其他高级架构(如Transformer、BiLSTM和CNN-LSTM(1.54–2.44毫秒)相比,FDE-GRU保持了高度精简的轮廓,使其在资源受限的嵌入式BMS硬件上非常适合实时执行。表8. 训练时间和推理延迟的比较。训练时间是以单个训练周期(100个训练步骤)在全训练集上的典型值来报告的;推理延迟是指在批量大小为1的情况下,每样本在CPU上的平均处理时间。这些结果验证了所提出的基于物理信息的训练策略仅会带来适度的离线计算开销增加,同时保持了标准GRU在在线推理时的轻量级和高效率特性,使其非常适合实际应用。
6. 结论
在本文中,我们提出了一种新颖的分数阶微分物理信息神经网络(FDE-GRU),用于应对极端温度和动态负载条件下的SOC(状态容量)估计挑战。通过将G-L分数阶导数直接嵌入到循环神经网络的损失函数中,并利用电荷守恒的内在对称性来构建物理约束,我们成功地在数据驱动的灵活性与电化学物理一致性之间架起了桥梁。所提出的FDE-GRU在Panasonic数据集上实现了平均MSE为14.29 ×10^-4的优异估计精度,显著优于标准GRU(22.19 ×10^-4)和复杂的Transformer(27.88 ×10^-4),这表明基于物理信息的正则化方法可能比简单增加模型复杂性更具优势。重要的是,这种优越性也体现在CALCE数据集上,该数据的LiFePO4开路电压(OCV)平台非常平缓,FDE-GRU在该数据集上的平均MSE仍为26.24 ×10^-4。通过严格的消融研究,我们确定了最优的分数阶数?? =0.25,其性能比整数阶PINN(?? =1.0)提高了约22.1%,从而提供了强有力的实证证据,证明了电池松弛过程遵循幂律衰减而非传统整数阶模型所假设的理想指数衰减。未来的工作将集中在两个方向:(1)将分数阶约束扩展到多电池组,以考虑电池单元之间的不一致性;(2)将简化算法部署到低功耗嵌入式微控制器上,以验证其在板载硬件中的实时性能。