一种基于退化机制优化的、物理知识驱动的神经网络,用于锂离子电池健康状态评估

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:A degradation-enhanced physics-informed neural network for state of health estimation of lithium-ion batteries

【字体: 大 中 小 】 时间:2026年05月01日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11

编辑推荐:

  陈志宏|李松林|朱军|卢思良|毛雷|王浩伟 西北工业大学民航学院,中国陕西省西安市710072 摘要 准确估计锂离子电池的健康状态(SOH)对于确保储能系统的安全性和寿命至关重要。然而,电池退化过程的固有复杂性和缺乏直接可观测的指标给估计的准确性和物理可解释性带来了

  陈志宏|李松林|朱军|卢思良|毛雷|王浩伟
西北工业大学民航学院,中国陕西省西安市710072

摘要
准确估计锂离子电池的健康状态(SOH)对于确保储能系统的安全性和寿命至关重要。然而,电池退化过程的固有复杂性和缺乏直接可观测的指标给估计的准确性和物理可解释性带来了重大挑战。为了解决这些问题,本研究提出了一种基于退化增强的物理信息神经网络(DE-PINN),旨在通过深度提取与退化相关的特征和加强物理约束建模来提高SOH估计的准确性和泛化能力。具体而言,DE-PINN分别从充电和放电阶段提取多维退化信息,构建双通道结构以适应阶段间的差异,并通过信息融合进行协同建模。此外,从历史数据中推导出经验退化公式,并将其作为物理一致性约束嵌入训练过程中。进一步利用神经网络学习退化率以提高物理可解释性。采用分阶段训练策略来减少多源特征的干扰,从而提高在不同工作条件下的训练稳定性和适应性。在相同条件和跨条件数据集上的实验结果表明,与现有方法相比,DE-PINN具有更高的准确性、鲁棒性和泛化能力,为物理一致的SOH建模提供了一种可靠的方法。

引言
自20世纪90年代商业化以来,锂离子电池因其高能量密度、长寿命和强大的性能而被广泛应用于电动汽车、可再生能源、航空航天和智能电网[1][2][3]。为了满足对安全性和可靠性的日益增长的需求,全生命周期管理已成为研究重点。在此背景下,电池管理系统(BMS)作为确保电池组安全、高效和可靠运行的核心单元[4],其中准确的SOH估计对于能量管理、控制策略优化和故障诊断至关重要。然而,由复杂的电化学过程和波动的工作条件驱动的电池退化非线性特性给可靠的SOH估计带来了相当大的挑战和不确定性[5]。

目前,锂离子电池SOH的估计方法大致可以分为两类:基于模型的方法和数据驱动的方法[6]。基于模型的SOH估计依赖于电池的内部物理机制,包括电化学反应[7]、热力学过程[8]和结构演变行为[9],通常通过等效电路模型或电化学模型来实现。这些方法具有很强的物理可解释性,并能准确捕捉不同工作条件下的退化机制。然而,其有效性往往依赖于大量的实验数据来进行参数识别,相关的计算复杂性限制了它们在大规模应用中的可行性。相比之下,数据驱动的方法利用深度学习技术从历史运行数据中自动提取特征,建立SOH与可观测变量之间的直接映射。这些方法特别擅长捕捉高维和非线性模式,促进了模型的快速开发和端到端估计,因此在工业应用中引起了广泛关注。然而,由于缺乏明确的物理机制表示,这些模型往往缺乏可解释性,并且在外部训练数据未覆盖的条件下性能会显著下降,从而影响泛化能力。因此,SOH建模的一个关键研究前沿是将物理一致性约束集成到数据驱动模型中,以同时提高预测准确性、可靠性和可转移性。

物理信息神经网络(PINNs)作为一种有前景的方法,在电池健康管理中平衡了物理可解释性和数据驱动学习。通过将退化机制和演变规则集成到训练中,PINNs提高了可解释性、鲁棒性和泛化能力。现有的将物理模型与神经网络结合的方法通常分为顺序集成和混合集成[10]。如图1所示,顺序集成方法通过串联连接物理模型和数据驱动模型来保持它们的相对独立性。相比之下,混合集成方法将物理原理直接嵌入网络架构中,从而在训练期间实现深度融合,确保物理一致性和预测准确性。值得注意的是,与顺序集成方法相比,混合集成策略已成为当前研究的关键焦点。通过将物理约束与数据驱动学习相结合,它提供了在不同条件下的更好鲁棒性和可转移性。

尽管PINNs在锂离子电池SOH建模和估计方面具有巨大潜力,但在实际应用中仍存在一些挑战。许多现有的基于PINN的方法未能充分利用退化信息,未能充分提取和利用电池老化过程中的更具代表性的特征。这一限制限制了模型在不同工作条件下的预测准确性和泛化能力。此外,将退化知识有效集成到神经网络架构中仍然是一个重大挑战,因为这通常需要在模型的表达能力和物理一致性之间进行权衡。本研究提出了一种新颖的DE-PINN框架,以解决退化信息利用不足的问题以及将物理机制嵌入神经网络中的挑战。该模型通过分别提取充电和放电阶段的退化特征并使用双通道输入结构来区分这两个阶段,然后通过特征融合进行准确的SOH估计。从观察到的老化行为中推导出的经验方程被引入训练过程中作为物理约束。利用神经网络强大的非线性逼近能力,该框架还实现了退化率的数据驱动学习,增强了其捕捉复杂老化行为的能力。为了进一步提高训练效果和模型稳定性,采用了两阶段训练策略。基于上述设计,DE-PINN为复杂老化条件下的SOH估计提供了一种可靠且准确的解决方案。主要贡献如下:
1. 从充电和放电过程中分别提取多维特征集,并设计了双分支结构以实现差异化的表示和协同建模,从而增强了模型输入的适应性和表达能力。
2. 引入了一组基于实际退化行为的独特经验退化策略,这些策略建立了为SOH估计提供物理意义的先验约束方程。
3. DE-PINN框架实现了经验建模和数据驱动学习的深度集成,有效地将退化知识融入神经网络架构中,提高了模型在不同工作条件下的准确性和适应性。

本文的其余部分组织如下:第2节回顾了关于退化特征提取和深度学习与退化机制结合的相关工作。第3节介绍了所提出的经验退化策略和DE-PINN框架。第4节描述了实验数据集,详细介绍了特征工程过程,并进行了全面的评估和讨论。第5节总结了本研究。

**退化特征提取**
在锂离子电池的运行寿命期间,退化主要体现在充电和放电阶段的动态响应中。在固定工作条件下,电压和电流等可测量信号随着循环次数的增加而表现出一致的演变趋势。因此,大多数现有研究侧重于从这些阶段收集的测量数据中提取健康指标(HIs),以表征退化轨迹。

**经验退化公式**
在重复的充放电循环中,由于复杂的电化学过程,电池逐渐退化。这种退化表现为SOH的降低,SOH通常定义为当前容量与额定容量的比率[23],如下所示:
SOH = Qcurrent / Qrated
其中Qcurrent和Qrated分别表示当前容量和额定容量。

对循环老化过程中SOH演变的建模导致了各种经验方法的发展,包括线性方法[26]。

**数据集描述**
我们使用两个互补的退化数据集(MIT数据集[31]和HUST数据集[32])严格评估了所提出的方法,并证明了其在不同循环条件下的鲁棒性。这两个数据集都包含由A123 Systems制造的商用LFP/石墨电池,额定容量为1.1 Ah,额定电压为3.3 V,在30°C的环境温度下进行控制良好的充放电实验。

**结论**
本研究提出了一种DE-PINN框架,以解决锂离子电池SOH估计中的准确性和物理可解释性挑战。在结构层面,DE-PINN引入了双分支架构,分别对充电和放电阶段的独特退化模式进行建模,从而有效整合了每个阶段的特征以进行联合估计。在物理建模层面,为每个阶段制定了经验退化表达式。

**作者贡献声明**
陈志宏:撰写——原始草稿,方法论。
李松林:调查,形式分析。
朱军:撰写——审阅与编辑,监督。
卢思良:资源支持。
毛雷:资源支持,调查。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

**致谢**
本研究部分得到了国家自然科学基金(项目编号52405131)和中国博士后科学基金(项目编号2025T181166)的财政支持。
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