用于估算锂离子电池温度分布的通用傅里叶神经算子
《eTransportation》:Generalizable Fourier Neural Operator for estimation of lithium-ion battery temperature distribution
【字体:
大
中
小
】
时间:2026年04月29日
来源:eTransportation 17
编辑推荐:
多米尼克·卡内姆(Dominic Karnehm)| 郑宇生(Yusheng Zheng)| 安特耶·内维(Antje Neve)| 雷穆斯·特奥多雷斯库(Remus Teodorescu)
德国慕尼黑联邦国防军大学电气与计算机工程系,纽比贝格(Neubiberg),邮编85
多米尼克·卡内姆(Dominic Karnehm)| 郑宇生(Yusheng Zheng)| 安特耶·内维(Antje Neve)| 雷穆斯·特奥多雷斯库(Remus Teodorescu)
德国慕尼黑联邦国防军大学电气与计算机工程系,纽比贝格(Neubiberg),邮编85579
**摘要**
准确快速地估计、监控和控制电池温度对于现代电池管理系统至关重要。本文对比了两种用于估计圆柱形电池温度分布的神经运算符:傅里叶神经运算符(Fourier Neural Operator,FNO)和参数嵌入型傅里叶神经运算符(Parameter-Embedded FNO,PE-FNO)。参数嵌入通过利用电池的密度和比热容这两个参数空间来实现温度分布的估计,这些参数被作为输入参数纳入模型。通道注意力参数嵌入(Channel-Attention Parameter Embedding,CAPE)模块将偏微分方程(Partial Differential Equation,PDE)的参数嵌入到FNO中,从而在训练后仍能在定义的参数空间内实现泛化。从电池管理系统(Battery Management System,BMS)的应用角度来看,这意味着模型只需训练一次,之后通过提供参数值即可适应不同的电池单元类型,而无需重新训练。首先,这些模型在基于一维电热耦合模型生成的模拟数据上进行了训练,模拟数据涵盖了多种驱动循环和冷却条件。为了评估在不同热参数设置下的泛化能力,研究人员采用了迁移学习方法,并改变了热导率和对流系数。进一步地,将迁移学习应用于实验数据,结果发现FNO和PE-FNO在核心温度上的均方根误差(Root Mean Square Error,RMSE)分别为0.09°C和0.12°C。尽管参数嵌入会增加误差,但它通过PDE参数密度和比热容实现了泛化能力。就RMSE而言,这两种方法的性能至少与基线模型相当。不过,FNO的表现更为优越。计算时间评估显示,FNO和PE-FNO的运行速度分别比传统的PDE求解器快约6倍和5倍。总体而言,结果表明神经运算符能够实现快速、准确的温度分布估计;同时,参数嵌入虽然略微降低了精度,但增强了机器学习模型的泛化能力。
**1. 引言**
锂离子(Li-ion)电池在绿色转型中无处不在,从电动交通到电网储能系统都有广泛应用[1]、[2]、[3]。谨慎管理电池系统对其安全性、性能和寿命至关重要,必须考虑温度的显著影响。过高或过低的温度都会带来安全隐患,降低电池性能并加速其老化[4]。因此,将电池温度维持在最佳范围内(通常为15°C至35°C)是电池管理系统(BMS)的关键任务,有效的热监控和控制是实现高效安全运行的基础[4]、[5]。例如,由于电池在低温下容易发生锂沉积现象[6],较高的充电温度可以降低锂沉积风险并减缓老化过程。此外,在零下温度下,表面温度也成为反映电池热状态的重要指标,与核心温度一样,会影响电池的性能和寿命。由于电池温度的时空特性,找到一个通用的温度状态(State of Temperature,SOT)描述指标颇具挑战性。文献中使用了表面温度和核心温度来表征电池的SOT[7]。与表面温度相比,核心温度对锂离子电池的性能和老化影响更大,因为它直接影响电极组件的工作状态[8]。特别是在高倍率充电过程中,核心温度显著高于表面温度,从而有助于有效监控潜在的安全风险并提升电池性能。
可以通过在电池中嵌入温度传感器来直接测量核心温度。然而,这会大幅增加制造成本和复杂性[9],并且在大规模应用中技术上也存在挑战。此外,电解质泄漏和传感器与电池内部的电化学反应可能会显著缩短电池寿命[10]。在汽车应用中,一个牵引电池组包含大量电池单元,为每个单元配备单独的温度传感器在经济和技术上都不现实。因此,通常只在电池组中的选定位置放置少数传感器。例如,雪佛兰Volt使用了16个传感器来监测288个电池单元,而福特C-Max Hybrid则使用了10个传感器来监测76个电池单元[11]。这种稀疏的传感策略限制了对电池单元级温度的观测能力。即使有表面温度传感器,由于电池核心到表面的温度梯度,内部热动态也难以追踪。特别是在强制对流冷却或大尺寸电池单元的情况下,Biot数Bi=k/hL(其中h为热传递系数,L为特征长度,k为热导率[12]、[13])可能超过0.1,导致电池单元内部存在显著的温度差异。因此,仅依靠直接传感器测量获得的温度信息往往不足以实现可靠的热管理。
为了克服这些限制,文献中提出了多种温度估计方法,包括基于模型的方法[14]、[15]、数据驱动的方法[10]以及混合方法[16]。这些方法可以捕获不同的温度信息(如空间分辨率),从点估计(如表面和核心温度估计)到多分辨率下的完整温度分布建模[8]。表1总结了代表性的电池温度估计方法。基于模型的方法包括等效热模型(Equivalent Thermal Model,ETM)[17]、扩展卡尔曼滤波器(Extended Kalman Filter,EKF)[18]、[19]和双无迹卡尔曼滤波器(Dual Unscented Kalman Filter,DUKF)[14]。电池中的温度分布是指由于内部热生成、热传导和边界冷却条件导致的电池内部温度的空间变化。Ferreira和Tang[20]提出了一个级联的电化学-热模型,通过多层模型估计圆柱形锂离子电池中每一层的温度,以识别潜在的热点。此外,作者还提出了一种单层模型,通过减少组件数量来降低计算需求。这些模型的计算复杂度较低。然而,这些基于模型的方法的精度依赖于模型参数的准确性,而这些参数又受到电池状态(SOT)、荷电状态(State of Charge,SOC)和电流密度的影响,而这些参数会随时间变化。由于高度依赖模型参数,因此需要定期重新校准参数。因此,通常使用离线数据或在线参数识别技术来确保估计方法的准确性[21]。虽然许多热参数可以从电池数据表或特性测试中获得,但BMS供应商通常面临多种电池单元类型和客户特定的设计。在这种情况下,一种能够直接包含参数值且无需重新训练的学习型估计器非常吸引人,因为它大大减少了数据收集的工作量,而数据收集往往耗时且成本高昂。例如,BMS供应商可以在不同供应商提供的多种圆柱形LFP电池单元上使用相同的估计器,而无需从头开始重新训练模型。
数据驱动的方法通过绕过复杂的建模和参数化过程,提供了更准确和灵活的热监控解决方案。Kleiner等人[22]采用了带有外生输入的非线性自回归模型(Nonlinear AutoRegressive model with eXogenous inputs,NARX),而Wei等人[23]使用前馈神经网络(Feedforward Neural Network)来估计内部温度。为了克服对表面温度测量的依赖,Karnehm等人[10]提出了一种基于Kolmogorov–Arnold网络(KAN)的无传感器核心温度估计方法。他们的方法使用冷却温度、端电压和电流作为输入变量,从而避免了在电池表面进行直接温度测量的需要。Wang等人[24]采用了长短期记忆(Long Short-Term Memory,LSTM)架构,Surya等人[25]提出了用于核心温度估计的二维网格LSTM。这些机器学习模型通常以电池电流、电压、SOC和估计的热生成作为输入。一般来说,循环神经网络(Recurrent Neural Networks,RNN)通过循环连接传播信息,非常适合捕捉时间依赖性。然而,在长时间序列上训练RNN容易出现梯度消失或爆炸等数值问题。为了缓解这些问题,Zhang等人[26]系统地比较了RNN、LSTM和GRU架构在核心温度估计方面的性能,并通过树结构Parzen估计器和K折交叉验证(K-fold cross-validation)优化了性能。
除了点估计核心温度外,空间分辨的温度场还能提供关于电池SOT的详细信息,这对于分析温度梯度、防止热点形成以及提高电池寿命至关重要[8]。在这方面,双无迹卡尔曼滤波(DUKF)已被证明能够在二维空间中高精度地估计浓度和温度分布[14]。这类方法直接利用物理模型,但强烈依赖于准确的参数识别和模型精度。为了在保持物理一致性的同时减轻这种依赖性,最近出现了物理信息神经网络(Physics-informed Neural Networks,PINNs)这一混合方法。将偏微分方程(PDEs)和已知的电池参数直接纳入损失函数,有助于使用PINNs进行温度分布的估计[16]。Zheng等人[16]采用PINN方法加速训练并提高了电池中一维温度分布的估计精度。虽然PINNs在损失函数中包含了物理信息,但神经运算符在训练过程中学习了PDE的映射规律。经典神经网络学习欧几里得空间内的映射,而神经运算符则学习函数空间之间的映射[27]。已经提出了许多神经运算符架构,如DeepONet[28]、图神经运算符(Graph Neural Operators,GNO)[29]和傅里叶神经运算符(Fourier Neural Operator,FNO)[30]。Azizzadenesheli等人[30]强调了神经运算符在加速模拟方面的能力,相比数值模拟器更具优势。计算速度的提升使得神经运算符在材料建模、天气预报和流体动力学等研究领域可以替代或增强数值模拟。
Li等人[27]指出,神经运算符,特别是FNO,能够学习PDEs背后的整个系统。此外,FNO能够在频率域直接进行学习,并提供与分辨率无关的解决方案,使其适用于电池状态估计。Wang等人[31]提出了物理信息对抗网络(Physics-informed Adversarial Networks,PIAN),作为DeepONet[28]的扩展,用于估计电池组内的温度分布。在恒定电流条件下,PIAN的最大平均绝对误差(Mean Absolute Error,MAE)为0.123°C,表明神经运算符与物理信息方法结合使用具有良好性能。为了在不重新训练的情况下进一步泛化指定的PDE参数空间,Takamoto等人[32]引入了参数嵌入技术,并通过PDE参数嵌入(CAPE)模块指导通道注意力机制(Channel Attention Mechanism)将其应用于FNO。这种方法将重点从解决单个PDE实例转移到学习一个能够泛化整个PDE解的模型。Panahi等人[33]将FNO和参数嵌入型FNO(PE-FNO)应用于电化学锂离子电池的单颗粒模型(Single Particle Model,SPM),以估计锂浓度和端电压。这项研究表明了FNO和PE-FNO在估计精度和计算加速方面的潜力,以及PE-FNO在基于贝叶斯优化的参数估计方面的能力。
虽然Panahi等人[33]展示了FNO和PE-FNO在电池SPM电化学状态估计中的有效性,但他们的工作主要集中在电化学动态和相关模型参数上。相比之下,本研究将FNO和基于CAPE的参数嵌入公式应用于电池热建模,其中控制的PDE具有不同的时空特性和参数依赖性。具体来说,我们研究了热材料参数密度和比热容的泛化能力,这些参数直接影响电池的热动态,而在现有的基于神经运算符的电池温度预测研究中尚未考虑这些因素。据我们所知,我们首次将FNO和PE-FNO应用于电池温度预测,如表1所示。神经运算符学习的是与时空离散化无关的函数映射。一旦训练完成,模型就可以在不同时空网格上推断温度分布,而无需重新训练。然而,在本研究中,我们没有评估训练后在不同时空网格上的泛化能力。温度估计参考文献摘要
| 参考文献 | 模型 | 输入参数 | 估计参数 | 性能 |
|---------|-----------------|---------------|-----------------|-------------------|
| Chen等人 [19] | 基于EKF的估计器 | I, VTS, Tcore | Tcore ± 1.5 °C | |
| Chin等人 [34] | 电热状态 | I, Tcool | Tcore | MSE ≤ 3 °C |
| | 空间模型 | | | |
| Ferreira和Tang [20] | 级联电化学模型 | I, TSD | RMSE Tcore 1.99 °C | |
| Karnehm等人 [10] | KANI | V, Tcool | Tcore | RMSE ≤ 0.68 °C | |
| Kleiner等人 [22] | ECM-NARX网络 | SOCint, ITcore | MSE < 0.5 °C | |
| Lin等人 [11] | H∞模型 | I, 入口冷却液 | Tcore | 最坏情况 ≤ 3.1 °C | |
| Marelli等人 [14] | DUKFI | V, Ts | 浓度 | ±0.2 °C | |
| Richardson等人 [18] | 基于EKF的估计器 | I, V | RMSE < 0.7 °C | |
| Surya等人 [25] | 2D网格LSTMI | V, Q? | Tcore | RMSE ≤ 0.81 °C | |
| Wang等人 [24] | LSTMI | V, TS, Tcool | Tcore | RMSE < 0.33 °C | MAE 0.33 °C |
| Wang等人 [31] | PINNI | V, SOC, Tcool | MAE ≤ 0.15 °C | |
| Wei等人 [23] | LTNN-UKFI | V | RMSE ≤ 0.43 °C | MAE 0.32 °C |
| Cui Xiangbo [17] | ETM模型 | I, V | RMSE ≤ 0.43 °C | |
| Xu等人 [35] | 非线性空间时间模型 | V | RMSE ≤ 0.14 °C | |
本工作的主要贡献如下:
- 引入了傅里叶神经算子(FNO)来预测温度分布,该算子不依赖于时间和空间的离散化,可以通过动态驱动循环来实现。
- 参数嵌入傅里叶神经算子(PE-FNO)的目的是将电池温度分布泛化到密度和比热容的参数空间中,包括训练期间未出现的参数值。这些参数的选择是为了演示参数嵌入在温度分布估计中的过程,所提出的方法不限于这些特定参数。
- 通过所提出的方法和最先进的PDE求解器以及作为神经网络的PINN,进行了全面的计算时间评估。
2. 方法论
在本节中,描述了电热模型的偏微分方程(PDE),并应用它来生成模型的训练数据。此外,还介绍了傅里叶神经算子(FNO)和参数嵌入傅里叶神经算子(PE-FNO)来预测温度分布。最后,展示了模型的实现细节。
2.1. 电热模型
本研究采用PDE来描述圆柱形电池单元的径向分布(一维)热行为,以及其对流热传递边界条件[36]。电池内部的热生成由电池的Rint等效电路模型(ECM)和二阶等效热模型(ETM)定义。这两种模型如图1所示。电池电压Ub和热生成Q定义如下:
(1) Ub = Uocv ? IbR0,
(2) Q = Ib(Uocv ? Ub) + IbTcoredUocvdTcore,
其中Uocv是电池的开路电压,Ib是电池电流(充电时>0),R0是内部电阻。Tcore定义为电池的核心温度,dUocv/dTcore表示熵系数。如文献中所记录的,熵系数的范围是0 < ?Uocv/?T < 0.1 mV K?1,因此与欧姆损耗和极化损耗相比,相关的可逆热项占比较小[37],[38]。
图1(b)中的模型允许根据热生成Q和冷却温度Tcool来估计表面和核心温度。该模型使用内部和外部热传递电阻Rin和Rout以及热容量Cp作为其定义参数。图2展示了以下方程式(3)–(5)中介绍的支配PDE公式背后的电热建模假设。图2(a)示意了圆柱形锂离子电池沿径向方向均匀热生成的情况。这一假设与文献中通常采用的用于小型电池的一维电热模型一致,并反映了在胶卷结构中电流密度和材料属性的均匀性[36]。图2(b)示意了在均匀体积热生成和对流边界冷却条件下的径向温度分布T(r,t)。由于对称性,径向梯度满足两个边界条件方程式(4)和(5),最高温度出现在核心,而温度向表面单调递减。因此,对于任何径向位置r,温度满足Ts ≤ T(r,t) ≤ Tcore。温度分布以及指定的边界条件由以下PDE给出:
(3) ρcp?T(r,t)?t = kt?2T(r,t)?r2 + ktr?T(r,t)?r + Q(t)Vb,
(4) B.C.’s?T(r,t)?r|r=0 = 0,
(5) ?T(r,t)?r|r=R = ?hktT(R,t) ? Tcool,
其中ρ定义密度,cp定义比热容,kt定义热导率,Vb定义电池体积。
下载:下载高分辨率图像(35KB)
下载:下载全尺寸图像(a)。
下载:下载高分辨率图像(59KB)
下载:下载全尺寸图像(b)。
图1. 锂离子电池的Rint电路模型(ECM)(a)和二阶电热模型(ETM)(b)。
2.2. 傅里叶神经算子(FNO)
传统上,解决PDE需要离散化空间,以平衡分辨率和计算时间。如果隐藏层的宽度和深度不受限制,神经网络能够以任意精度普遍逼近连续函数[39],[40]。训练后,神经网络受限于训练期间使用的时间-空间分辨率。相比之下,神经算子[28],[29],[41]学习在函数空间之间映射,从而实现跨不同离散化的预测,不需要了解PDE,仅依赖于训练数据。Li等人[29]试图逼近非线性算子G?: A→U,其中A和U都被假设为可分的Banach空间。空间A代表输入函数空间,a(x)定义可测量的函数。目标空间U包含PDE的相应解场u(x)。此外,观测值定义为aj|Dj∈Rn×da, uj|Dj∈Rn×dv,其中Dj={x1,…,xn}是域D中的n个点的离散化。目标是使用以下参数映射(6)创建G?的近似:
G: A×Θ→U,
其中Θ定义了一个有限维的参数空间。在监督学习过程中,寻找最优参数集θ?∈Θ,使得G(?,θ?)≈G?。学习过程可以描述为一个最小化问题:
(7) minθ∈ΘEa~μCGa,θ,G?a,
其中C:U×U→R定义为成本函数。
在FNO中,积分算子在傅里叶空间中定义[27],[42]。设F表示函数f:D→Rdv的傅里叶变换,F?1表示傅里叶逆变换,则
(8) Ffj(k) = ∫Dfj(x)exp?2iπ〈x,k〉dx,
(9) F?1fj(x) = ∫Dfj(k)2iπ〈x,k〉dk,
对于j=1,…,dv,其中k定义傅里叶模式,x是空间域中的点,i=?1是虚数单位。因此,傅里叶积分算子K定义如下:
(10) Kθvtx = F?1Rθ?Fvtx, ?x∈D,
其中Rθ是周期函数K:Dˉ→Rdv×dv的傅里叶变换,θ是需要在监督学习期间学习的参数部分[43]。
下载:下载高分辨率图像(636KB)
下载:下载全尺寸图像
图3. 架构概述:输入设计(a),算子网络FNO和PE-FNO(b),以及投影头(c)。
如图3a所示,FNO的输入包括电压、电流、环境和表面温度以及SOC的时间-空间网格。由于参数没有空间依赖性,因此具有相同时间索引的不同空间位置被分配相同的值。这样,输入网格只有时间依赖性。FNO的架构如图3b所示。该模块以时间和空间网格的形式接收表面和环境温度、电流、电压和SOC作为输入,并估计随时间的温度分布。该模块在一种特定类型的PDE参数上进行了训练,这些参数隐含在训练数据中。如图所示,模型包括一个高斯滤波器,σ=100作为输出层,以平滑空间维度中的预测温度。FNO的输出如图3c所示,是一个时间-空间的温度网格。
2.3. 参数嵌入傅里叶神经算子(PE-FNO)
PINN[44],[45]和物理信息神经算子(PINO)[43]可以在训练期间在其损失函数中考虑PDE参数,但它们不允许在训练后更改参数集。为了以这种方式将数据驱动方法泛化到不同参数值下的热行为PDE问题,参数嵌入是必不可少的。因此,提出了在FNO中进行参数嵌入的方法[32],[33]。这种条件机制使得单个训练好的估计器可以通过更新嵌入的参数值来用于不同的电池或配置,而无需重新训练整个模型。这对于可扩展的工业部署特别有益,因为需要支持多种电池变体,并适应由于老化导致的电池参数变化。根据(6)和参数嵌入的条件,后续定义如下:
(11) G:A×Θ×λ→U,
其中λ定义了一组PDE参数。为了使用参数嵌入,采用了由PDE参数嵌入(CAPE)框架指导的通道注意力机制,如图3b所示。作为模块的输入,使用包含电流、电压、SOC以及环境和表面温度的时间-空间网格,与FNO相同。此外,PDE参数作为输入参数嵌入到模块中,如图3a所示。由于这些参数没有空间依赖性,并且它们的变化被忽略,因此在时间网格的所有位置分配相同的值。参数嵌入使得可以明确学习PDE参数对预测的影响,从而实现更好的泛化。如方程(11)中提到的,参数嵌入包括输入函数空间A和PDE参数向量λ。CAPE模块使用三个2层多层感知器(MLPs)来计算三个不同的d维通道注意力掩码mα∈Rd,其中α=1,2,3:
(12) mα = W2,ασ(W1,αλ+B1,α) + B2,α,
其中d是特征空间中的通道维度,σ定义激活函数GeLU,W1/2,α和B1/2,α分别定义MLP的权重和偏置。权重Wα=(W1,α,W2,α)与三个算子相关:
g1: 1 × 1卷积与混合通道,
g2: 每通道的深度为5 × 5的卷积,
g3: 使用Nx傅里叶层的谱卷积。
这些算子用于计算张量表示zαk=gα(ak,Wα),其中zαk∈Rd×nx?。使用Hadamard算子⊙将张量在第一个维度(通道维度)上与注意力相乘,如下:
(13) vαk = mαk⊙zαk
输入函数空间A是5 × 5卷积层和2D平均池化层的输入,核大小为4。最后,特征vαk,α=1,2,3通过1 × 1卷积h1×1,?与2D平均池化的输出结合,调整维度为中间特征yk,表示CAPE模块的输出和FNO的输入,如下:
(14) yk = h1×1,d→c×lσh1×1,c→d(ak)+∑αvαk
如图3c所示,模块的输出是一个时间-空间的温度网格。嵌入的参数使得可以根据cp和ρ(选定的输入PDE参数)预测不同电池的温度。这两种参数被选为PDE参数的示例。该方法可以应用于其他PDE参数,如热导率kt和对流系数h。在这项工作中,参数嵌入主要是为了提高跨电池变体的部署灵活性,而无需重新训练,而不是为了展示对不确定参数识别的鲁棒性。
表2. 电池参数[37]。
| 参数 | 符号 | 单位 | 值 |
|------|------|------|------|
| 密度 | ρ | kg m?3 | 2107 |
| 比热容 | cp | J kg?1 | 1171.6 |
| 热导率 | kt | W m?1 | 0.404 |
| 对流系数 | h | W m?2 | 39.3 |
2.4. 模型实现
作为训练数据,我们使用了Kollemeyer和Skells[46]发布的基于当前曲线的不同冷却温度下的模拟驱动循环数据。为了增强不同的驱动循环曲线,还进行了2倍和3倍的电流缩放,以生成更高温度梯度的数据。训练数据集包括Mix1 – Mix8和US06驱动循环。每个驱动循环仅以特定的电流缩放因子包含。为了防止过拟合并保持每个时期的训练时间较低,随机选择了50个驱动循环。为了保证结果的可重复性,使用了随机种子值9000。为了促进模型的泛化能力,评估中使用的LA92和HWFET驱动循环被排除在训练数据集之外。对于数据生成,使用了第2.1节中介绍的PDE。电池参数如PDE中所述,见表2,并由Richardson和Howey[37]确定。使用了A123 Systems制造的2.3 A h锂铁磷酸盐26650圆柱形电池(型号ANR26650M1 A)的参数集。为了训练和评估我们提出的PE-FNO,我们还模拟了比热容cp为[1000,1100,1200,1300]和密度ρ为[1000,1500,2000,2500]的电池。作为FNO的训练数据,我们使用参数ρ=2107 kg m?3和cp=1171.6 J kg?1 K?1进行了模拟。参数已被设置在一个物理上合理的范围内[47]。表2中显示的参数在FNO模型的训练过程中被排除,仅用于PE-FNO和FNO的测试。PE-FNO的训练集不包含ρ=2107 kg m?3和cp=1171.6 J kg?1 K?1的模拟数据。除了这两个参数外,表2中列出的参数还用于训练和测试数据。所有模型都是在PyTorch中实现的,为了求解偏微分方程(PDEs),使用了py-pde [48]。为了实现神经算子,应用了FNO [27]和CAPE [32]的开源实现。在训练和评估过程中,空间和时间分辨率分别设置为Δr=R/8和64个时间步长。数据采样率为10 Hz。训练使用Adam优化器,并采用了一个学习率调度策略,该策略每个时代将每个参数的学习率降低γ。初始学习率为0.001,γ为0.5,持续六个时代。为了获得模型的最佳准确性,通过对FNO的层(1, 2, 4)、模式宽度(8, 16, 32, 64)、模式高度(8, 16, 32, 64)和隐藏通道(16, 32)进行了网格搜索。PE-FNO也使用了相同的参数集。所选的超参数集显示在表3中。
表3. 架构的关键超参数;空白条目(–)表示该设置不适用。
3. 结果与讨论
本节展示了所提出方法在模拟数据上的准确性,并通过在不同电池参数的模拟数据上进行迁移学习来评估其鲁棒性。此外,还使用实验数据评估了核心和表面的点温度估计,并通过迁移学习来适应特定的电池化学性质。最后,将其计算性能与PDE求解器进行了比较。训练和测试数据集在第2.4节中有描述。
对于准确性评估,使用了三个指标:平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)。MAE量化了估计值和期望值之间的平均绝对偏差,提供了一个对异常值不敏感的线性预测准确性度量。RMSE比MAE更强调较大的偏差,并反映了预测中的方差和偏差。最后,R2表示预测与估计之间的整体拟合优度。该值的范围是从0到1,数值越高表示性能越好。
这三个指标的定义如下:
(15) MAE = 1/n ∑i=1n |y?i?yi|,
(16) RMSE = ∑i=1n (y?i?yi)2/n,
(17) R2 = 1 ? ∑i=1n (y?i?yi)2 / ∑i=1n (y?i?1/n ∑j=1n yj)2,
其中yi定义了第i个样本的估计参数,y?i是期望值,n是数据集中的样本数量。
3.1. 模拟数据上的准确性
两种方法的MAE、RMSE和R2指标显示在表4中。该表显示了所有温度Tr下的指标,其中r∈[0,R/7,2R/7,…,R]。此外,还展示了每个驱动周期内对LA92和HWFET进行的整体实验,以及从0°C到40°C的不同冷却温度下的实验。在LA92中,两种方法的误差都高于HWFET驱动周期的误差。LA92的特点是驾驶行为高度动态,在低速、中速和高速驾驶以及放松期之间交替。另一方面,HWFET在整个驾驶周期内以平均速度77.7 km h?1在高速公路上行驶,加速度低于LA92。在较高的温度40°C和30°C下,PE-FNO的所有指标参数的误差都更高。总体而言,FNO的RMSE为0.0500°C,而PE-FNO的RMSE为0.0619°C,因此FNO在所有评估指标上表现更好。
图4(a)显示了在10°C冷却温度下,两种方法在两个LA92驱动周期内对核心和表面温度的估计。两种方法在900秒到1500秒以及2300秒到2500秒之间的核心温度Tc估计最不准确。这些是驾驶周期中加速度较高的时刻,导致温度迅速升高。无论如何,FNO和PE-FNO观察到的最大误差分别为0.6724°C和0.7881°C。图4(b)展示了驾驶周期每500秒的温度分布。图4(b)中显示的时间步长在图4(a)中用黑色虚线标出。可以看出,两种方法都能捕捉到所有时间步长的温度分布行为。
图4. 在10°C冷却温度下,两个LA92驱动周期内预测的表面和核心温度Ts和Tc。图4(a)中的黑色虚线标出了图4(b)中显示的时间步长。可以看出,两种方法都能捕捉到所有时间步长的温度分布行为。
3.2. 迁移学习上的准确性
为了评估所提出模型在不同电池类型下的泛化能力,通过迁移学习进行了测试。在迁移学习过程中,仅更新了FNO模型架构中的投影层(如图3所示)。迁移学习进行了10个时代,学习率为0.0001。分析区分了两种情况:•具有不同电池参数的模拟数据温度分布;•包含表面和核心温度的实验数据。目标是利用这些数据来评估所提出方法在点温度估计方面的准确性。
3.2.1. 具有不同电池参数的模拟
在模拟数据中,选择了不同的参数进行差异化。具体来说,改变了热导率kt和对流系数h。如表2所示,原始模型是用热导率0.404 W m?1 K?1和对流系数39.3 W m?2 K?1进行训练的。选择了与原始值相比在(-40%, -20%, 20%, 40%)范围内的对流系数,以及(10%, 20%, 40%, 60%)范围内的热导率。作为训练数据,使用了US06驱动周期,电流比例从1变化到3,冷却温度从0°C变化到40°C。图7显示了MAE和标准差,表8展示了在不同对流系数h和热导率kt下的MAE和RMSE,如第2.1节所介绍的。该图显示了整体测试数据(a)以及LA92(b)和HWFET(c)驱动周期的准确性。此外,为了说明电流负载和引起的温度梯度的影响,图(d)–(f)展示了电流比例的变化。可以看出,在几乎所有评估设置中,FNO的性能都优于PE-FNO。MAE和RMSE显示FNO在所有设置中的表现都优于PE-FNO。
表5. 不同传感器噪声场景下FNO和PE-FNO的性能(MAE, RMSE,单位:°C)。
表6. FNO和PE-FNO在20°C冷却温度下HWFET驱动周期内的预测和基线温度分布。
3.2.2. 对测量不完美的鲁棒性
通过用结构化的传感器噪声模型破坏模拟输入测量值来评估鲁棒性。对于每个输入通道(电压V、电流I以及表面和核心温度Ts/core),我们注入了(i)静态增益误差g和偏移量b,(ii)低频测量漂移,建模为AR(1)过程d[k]=ad[k?1]+?[k],其中?[k]~N(0,σ?2),(iii)加性白噪声n[k]~N(0,σn2),以及(iv)以概率Ps发生的偶发性测量尖峰,其幅度来自N(0,σs2)。对于温度通道,还应用了一个具有时间常数τ的一阶滞后,以反映传感器动态和过滤。定义了三种场景:场景A代表高质量感测设置,场景B代表名义设置,场景C代表低质量设置。每种场景的相应参数总结在表5中。
图5. 在20°C冷却温度下HWFET驱动周期内的预测和基线温度分布。
3.3. 转移学习上的准确性
为了评估所提出模型在迁移学习后对不同电池的泛化能力,对其在该场景下的性能进行了评估。在迁移学习过程中,仅更新了FNO模型架构中的投影层,如图3所示。迁移学习进行了10个时代,学习率为0.0001。分析区分了两种情况:•具有不同电池参数的模拟数据温度分布;•包含表面和核心温度的实验数据。目标是利用这些数据来评估所提出方法在点温度估计方面的准确性。
3.3.1. 具有不同电池参数的模拟
在模拟数据中,选择了不同的参数进行差异化,特别是热导率kt和对流系数h。如表2所示,原始模型是用热导率0.404 W m?1 K?1和对流系数39.3 W m?2 K?1进行训练的。选择了与原始值相比在(-40%, -20%, 20%, 40%)范围内的对流系数,以及(10%, 20%, 40%, 60%)范围内的热导率。作为训练数据,使用了US06驱动周期,电流比例从1变化到3,冷却温度从0°C变化到40°C。图7显示了MAE和标准差,表8展示了在不同对流系数h和热导率kt下的MAE和RMSE,如第2.1节所述。该图显示了整体测试数据(a)以及LA92(b)和HWFET(c)驱动周期的准确性。此外,为了说明电流负载和引起的温度梯度的影响,图(d)–(f)展示了电流比例的变化。可以看出,在几乎所有评估设置中,FNO的性能都优于PE-FNO。
表7. 不同传感器噪声场景下FNO和PE-FNO的性能(MAE, RMSE,单位:°C)。
3.4. 转移学习后的准确性
为了评估所提出模型在不同电池类型下的泛化能力,对其在该场景下的性能进行了评估。在迁移学习过程中,仅更新了FNO模型架构中的投影层,如图3所示。迁移学习进行了10个时代,学习率为0.0001。分析区分了两种情况:•具有不同电池参数的模拟数据温度分布;•包含表面和核心温度的实验数据。目标是利用这些数据来评估所提出方法在点温度估计方面的准确性。然而,对于具有正对流系数偏差(20%和40%)的FNO和PE-FNO,可以观察到向核心区域的精度有所提高。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图9. 在LA92驱动循环期间,冷却温度为10°C时,随着对流系数h变化±40%,估计的温度分布与预训练模型进行了比较。图8和图9中显示的物理不一致的温度剖面是由于参数与预训练期间使用的参数有显著偏差而产生的,尤其是在PE-FNO中。由于这两种模型都是纯数据驱动的运算符,在推理过程中并不明确强制执行控制PDE约束或边界条件,因此超出训练参数空间的外推可能会导致违反方程(3)-(5)中引入的预期物理结构。这种限制是缺乏嵌入式物理约束的运算符学习所固有的。为了在安全关键部署中增强鲁棒性,可以结合基于物理的正则化策略。例如,可以强制执行径向对称性约束,如方程(4)-(5)中引入的边界条件,以及在均匀热生成下惩罚非单调径向梯度,还可以结合能量平衡约束。通过物理信息神经运算符(PINO)将PDE方程纳入混合框架中,可以用来施加这些条件。这些扩展超出了本工作的范围,但代表了在参数外推下提高物理一致性的一个有前景的方向。3.2.2. 实验数据除了使用模拟的温度分布数据评估所提出的模型外,还根据Richardson和Howey报告的实验测量结果对模型进行了验证[37]。该数据集包含了一个2.3安时圆柱形Li-Iron-phosphate A123 ARN26650 m1-A电池单元的表面和核心温度测量值。该电池单元使用了两个3500秒的电流激励剖面,循环了Artemis HEV驱动循环中的不同段,电流范围从-23安到30安。实验期间,热室的温度设定为8°C。在评估中,第一个剖面用于迁移学习,而第二个剖面用于测试。实验数据不包括温度分布;它们只包含表面和核心温度。由于这一限制,评估仅基于这两个位置。图10以箱形图的形式展示了两种模型估计的表面和核心温度的误差。FNO在核心温度估计方面的准确率优于PE-FNO,其误差分别为0.044±0.036°C和0.067±0.052°C。在表面温度估计方面,FNO的偏差更低。表9显示了与扩展卡尔曼滤波器(EKF)、双卡尔曼滤波器(DKF)+ Ts [37]、PINN [16] 和门控循环单元(GRU)[26] 相比,两种方法所达到的RMSE。与这些参考方法相比,FNO显示出更高的准确率(GRU除外,其RMSE相同)。FNO与PINN相比准确率高0.03°C或33%,与LSTM相比准确率高0.01°C,并且与GRU相同。PE-FNO的RMSE与PINN相同,但性能略低于LSTM和GRU。然而,带有参数嵌入的PE-FNO提供了比其他方法更灵活的温度分布建模。LSTM和GRU仅作为点估计方法实现,而FNO和PE-FNO作为温度分布估计器实现。还应注意不同的时间分辨率。GRU和LSTM在训练和测试期间都受到固定时间分辨率和窗口大小的限制。例如,在列出的参考研究中,GRU和LSTM是以1秒的时间间隔和5秒的窗口大小进行训练和评估的。FNO和PE-FNO仍然能够在时间上提供不同输入分辨率的结果。我们将在未来的工作中评估它们在温度分布估计方面的性能。如前所述,数据集[37]仅包含电池核心和表面的数据。因此,图11展示了实验过程中测量和估计的核心和表面温度。此外,还展示了两种模型随时间变化的核心和表面温度估计误差。两个位置之间的平均温度为5.05°C,核心和表面之间的最大温度梯度在1197秒时为6.55°C。尽管如此,这仍然能够评估两个位置的驱动循环。FNO的最大绝对误差保持在0.28°C,PE-FNO的最大绝对误差保持在0.56°C。结果显示了时间、空间、局部最大值、核心和表面温度之间的差异以及核心和表面温度估计误差之间的相关性。下载:下载高分辨率图像(97KB)下载:下载全尺寸图像图10. 表面和核心位置的迁移学习准确率。表9. 核心和表面温度的RMSE比较(单位:°C)。方法TcoreTsEKF [37]1.351.34DKF + Ts [37]0.360.33PINN [16]0.12–LSTM [26]0.10–GRU [26]0.09–FNO0.090.06PE-FNO0.120.07下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图11. 通过循环的Artemis HEV驱动循环预测的表面和核心温度。表10. 计算系统在2393.6秒驱动循环中的时间。空电池PDEPINNFNOPE-FNO总时间(秒)8.62±0.930.77±0.211.44±0.361.80±0.503. 计算时间所有计时实验都在配备了16核AMD Ryzen Threadripper PRO 7955WX CPU和Nvidia RTX 4500 Ada Generation GPU的工作站上完成。在此设置中,CPU用于解决PDE问题,而运算符FNO和PE-FNO的训练和执行则在GPU上进行。PDE求解器的基线版本为py-pde 0.46.0,它使用numba版本0.62.1进行即时编译。为了测量计算时间,计算了在2393.6秒驱动循环期间,空间分辨率为R=8,时间分辨率为10Hz的温度分布。此外,还将这两种方法与作为神经网络估计方法的PINN的计算系统时间进行了比较[16]。时间测量还包括管理预测所需数据存储的时间。表10展示了所有四种方法的结果。如所见,FNO和PE-FNO在PDE计算时间上分别比PDE快6.00倍和4.79倍。另一方面,PINN的性能比FNO快1.87倍。4. 结论与展望本研究评估了两种神经运算符——傅里叶神经运算符(FNO)和参数嵌入FNO(PE-FNO)在估计锂离子电池温度分布方面的能力,并针对LFP电池进行了评估。FNO和PE-FNO已经展示了学习PDE以估计动态驱动循环条件下圆柱形电池温度分布的能力。在LA92和HWFET驱动循环中,冷却温度从0°C到40°C的总体RMSE分别为0.0619°C和0.0500°C,这两种方法都证明了它们的能力。如迁移学习部分所讨论的,所提出方法的鲁棒性已经针对PDE参数、热导率和对流系数的变化进行了评估。与py-pde求解器相比,训练有素的FNO和PE-FNO在系统级速度上大约快六倍和五倍。PINN [16] 的计算效率高于本工作中提出的方法。尽管如此,与PDE求解器相比,系统级速度的提高,加上PE-FNO通过定义的电池参数的泛化能力,将使得不同电池参数集的模拟更快。这使PE-FNO能够在电池管理系统(BMS)中确定状态,特别是在加速模拟方面的应用上具有特别的优势。在未来的工作中,需要评估改变时间和空间维度估计分辨率的能力。这将进一步提高PE-FNO的计算能力。此外,提出的模型将得到改进,以实现非对称冷却(如按钮冷却)下的2D温度分布估计,以及在电池组级别进行估计。此外,解决大格式电池中的非均匀热生成将是未来研究的关键方向。此外,将使用更广泛的参数范围以实现更大的泛化能力。术语表神经运算符h对流系数λPDE参数集Ib电池电流A输入空间kt热导率F/F?1傅里叶变换/逆傅里叶变换Q热生成UT目标空间RB电池半径σ激活函数r1D半径处的位置θ学习到的模型参数Rin/out内部/外部热传递阻力aj在时间步tm处径向位置r的1D温度αTcool冷却温度uj在j处的解Ts/core表面/核心温度电热模型Ub电池电压ρ密度Uocv电池开路电压Cp热容量Vb电池体积cp比热系数缩写R2决定系数BMS电池管理系统CAPE由PDE参数嵌入引导的通道注意力机制DKF双卡尔曼滤波器ECM等效电路模型EKF扩展卡尔曼滤波器ETM等效热模型FNO傅里叶神经运算符GRU门控循环单元Li-ion锂离子LSTM长短期记忆MAE平均绝对误差MLPM多层感知器PDE偏微分方程PE-FNO参数嵌入FNOPINN物理信息神经网络PINOP物理信息神经运算符RMSER均方根误差SOC状态-of-Charge(电池电量)SOH状态-of-Health(电池健康状况)SOT状态温度CRedI作者贡献声明Dominic Karnehm:写作——审稿与编辑,写作——原始草稿,可视化,验证,软件,方法论,概念化。Yusheng Zheng:写作——审稿与编辑,方法论,概念化。Antje Neve:写作——审稿与编辑,监督,资金获取。Remus Teodorescu:写作——审稿与编辑,监督,资金获取。代码可用性代码将在手稿发表后公开提供。关于写作过程中生成式AI和AI辅助技术的声明在准备这项工作时,作者使用了Grammarly.com和ChatGPT来提高他们的写作质量。使用这些工具后,作者根据需要审查和编辑了内容,并对发表文章的内容负全责。