通过增强的基于物理知识的神经网络,实现商业锂离子电池在动态使用过程中的低温预测

《ACS Omega》:Low-Temperature Prediction in Commercial Lithium-Ion Batteries during Dynamic Usage via Enhanced Physics-Informed Neural Networks

【字体: 大 中 小 】 时间:2026年05月14日 来源:ACS Omega 4.3

编辑推荐:

  高分辨率图片下载 MS PowerPoint 幻灯片 实时监测锂离子电池(LIB)的温度对于确保系统安全至关重要,尤其是在不同的化学成分、测试和环境条件下。特别是在低温情况下,准确的温度预测更为重要,因为它有助于早期发现可能不安全的操作条件,例如与锂镀层相关的条件。通过这种预

  高分辨率图片下载 MS PowerPoint 幻灯片
实时监测锂离子电池(LIB)的温度对于确保系统安全至关重要,尤其是在不同的化学成分、测试和环境条件下。特别是在低温情况下,准确的温度预测更为重要,因为它有助于早期发现可能不安全的操作条件,例如与锂镀层相关的条件。通过这种预测,电池管理系统必须在 LIB 发生任何损坏之前进行干预,从而提高在寒冷环境中的安全性和性能。本文介绍了一种改进的基于物理知识的神经网络(PINN)模型,该模型利用热定律和熵效应来准确预测在 1C 电流下、不同温度条件(5°C、25°C 和 45°C)下循环使用的商用 LIB 的表面温度。由于这是一个研究不足的温度范围,因此重点关注低温循环。与之前的 PINN 方法不同,所提出的模型将焦耳热、可逆熵热和辐射损失直接纳入其损失函数中。该模型还使用自适应权重来平衡物理约束和数据驱动项。电荷一致性项通过将充电状态行为与热动力学联系起来,进一步提高了预测的稳定性,并在最终损失函数中确保了单位的一致性。来自三种商用电池化学成分(LFP、LCO 和 NMC)的实验结果表明,所提出的模型平均绝对误差低至 0.07°C(5°C 时 LFP)。这种性能是在仅使用数据集 30% 的情况下进行训练和评估时获得的。这些结果处于热电偶测量的典型不确定性范围(±1 至 ±2°C)之内,证明了所提出的方法是可靠的,并且与测量温度信号非常吻合,从而支持了锂离子电池系统的安全性和性能的提升。

1. 引言
锂离子电池(LIB)是电动垂直起降(eVTOL)飞机、人工智能(AI)数据中心的固定式储能系统以及便携式电子产品中的关键技术。(1?4) LIB 具有出色的能量密度,体积小且重量轻,能够储存来自太阳能和风能的能量。此外,预计到 2032 年,LIB 市场规模将增长到超过 1870 亿美元,这得益于整个供应链的需求。(5,6) 随着 LIB 在现代能源和运输系统中的重要性日益增加,确保其处于安全状态至关重要。在影响 LIB 运行极限的各种因素中,热行为也是评估性能、安全性和寿命的关键因素。(7) LIB 的性能和寿命受到运行温度的强烈影响。(8) 非常低的温度和非常高的温度都可能加速降解过程。(9,10) 在低温下,LIB 会遭受电化学反应动力学变慢和内部电阻增加的问题。(11,12) 这些条件会导致容量损失、加速降解以及锂镀层的风险,从而严重限制了 LIB 在寒冷环境中的运行条件。(11) 在这些条件下,极化增加,放电电压下降,导致能量损失。锂离子的嵌入和脱嵌过程变慢,降低了库仑效率,使得充电和放电变得困难,缩短了电池的使用寿命。(11,13?15) 在低温下充电可能导致锂在阳极上镀层并形成枝晶,这些枝晶可能穿透隔膜并导致短路,从而产生快速热量积累,甚至引发热失控和爆炸。(16?18) 总的来说,循环过程中的温度变化是这些不良过程的间接指标,因为异常的热响应可能表明充电转移效率低下或发生了副反应(如枝晶形成)。(19) 因此,迫切需要一个可靠的模型来捕捉低温条件下的温度行为,以支持安全操作和明智的控制决策。例如,这些信息允许电池管理系统(BMS)调整充电曲线(降额)并防止电池永久性损坏。然而,锂离子电池的数学建模在估计其内部状态和支持热管理方面起着重要作用。由于电池性能受温度影响显著,因此经常会出现非线性效应。虽然大多数现有模型在室温或较高温度下可以提供可靠的预测,但在低温条件下的准确性明显下降。(20) 另一方面,在高温下,热量会加剧电解质和电极中的副反应,从而加速容量衰减并缩短 LIB 的循环寿命。(21,22) 当 LIB 在过热条件下运行时,增加的反应速率通常会导致气体生成和内部压力积聚,从而增加排气、火灾或热失控的风险。(17,23) 由于成本和当前生产的电池架构的限制,无法测量电池内部——即电极之间的温度。(24) 除了成本因素外,电池包内的空间也限制了温度传感器的安装。(25) 由于实际情况下直接测量电池内部温度往往很困难,因此需要热模型来捕捉热生成和散热过程。这些模型提供了一种更安全、更具成本效益的方法来预测和预防不安全的操作条件。此外,LIB 的温度与充电状态(SOC)和健康状态(SOH)相关;因此,预测的温度有助于提高 SOC 和 SOH 评估的准确性。(26) 应用的实际需求决定了应使用哪种热模型,因为 LIB 的热建模可以采用不同的方法。(27) 这些模型通常分为基于模型的方法(如等效电路模型和电化学-热模型)和数据驱动的方法(如神经网络(NN)。(28) 经验模型和等效电路模型易于实现;然而,它们没有考虑内部化学成分或空间温度梯度。(28,29) 另一方面,高保真的电化学模型提供了基于物理的洞察,但通常涉及复杂的计算和许多需要确定的参数。(28) 纯粹的数据驱动方法可以学习数据的复杂行为;然而,通常需要大型且采样严谨的数据集。此外,这些模型通常不适用于外推到未见过的条件。(25,30) 基于物理知识的神经网络(PINN)作为一种有前景的替代方案出现,它使用小数据集并将物理定律纳入损失函数以提高泛化能力。(31) 尽管 PINN 提供了一种将物理原理整合到数据驱动模型中的方法,但某些实现可能仍然依赖于简化的热项。特别是,熵和辐射项等贡献并未得到充分表示。虽然熵热经常被忽视或被视为固定平均值,但其影响并不显著。(24,32?37) 为了进行现实的热建模,需要在模型方程中明确包括熵贡献。(37?41) 此外,只有有限的研究详细探讨了热辐射的作用。(42,43) 在较高温度下,辐射可能起着关键作用。例如,Shadman Rad 等人表明,在约 40°C 时,辐射对热量(HR)传输的贡献可能大于对流(HC),达到 150%(HR/HC),而在较低温度下则降至 46%(HR/HC)。(39) 关于电池状态估计和热建模的机器学习策略,Wang 等人提出了一种基于贝叶斯优化的双向 LSTM 用于高精度 SOC 估计,而 antinoise 自适应 LSTM 框架则用于预测电池的剩余使用寿命。(44,45) 更近期,开发了具有实时参数校正的电化学-热耦合模型,用于低温运行。(46) 这些方法取得了良好的预测性能,但主要依赖于数据驱动学习或具有在线参数识别的复杂耦合模型。之前对 LIB 运行期间温度预测的研究使用 35% 的数据集达到了 0.05°C 的均方预测误差。(25) 这些模型仅在 PINN 中集成焦耳热,忽略了熵贡献、辐射损失以及最终损失函数中损失权重的单位一致性。(25) 该模型的性能在狭窄的温度范围内得到了验证,并且由于其额外的预层结构,呈现出计算复杂性。(25) 此外,该模型尚未针对不同的电池化学成分和温度条件进行验证。在 Yuchen Wang 的工作中,提出了一种名为 BINN(电池信息神经网络)的温度预测模型。(26) 他们的方法报告的平均平方误差不超过 0.150°C(1C 电流下 15°C 时),用于在三种不同温度下测试的 LFP 电池。(26) 该框架结合了物理知识和机器学习,集成了电气、热和热传递模型,允许估计隐藏参数(如热容量)。然而,该方法依赖于完整的生命周期数据进行训练,由于其复杂结构,需要大量的计算能力,并且未在接近冰点的温度下进行验证,而在该温度下安全问题更为关键。(26) 本工作的主要贡献总结如下:(i) 一个先进的 PINN 框架,其中包含一个自适应系数 ψ,动态平衡温度、物理和电荷一致性损失,并在最终损失函数中确保单位的一致性;(ii) 通过最终损失函数中的电荷一致性损失实现 SOC 驱动的正则化项;以及 (iii) 在主要物理方程(包括控制热方程)中的熵加热和辐射贡献。我们的模型使用了在 5°C、25°C 和 45°C 下收集的商用电池数据进行了验证,涉及的电池化学成分包括锂钴氧化物(LCO)、锂铁磷酸盐(LFP)和锂镍锰钴氧化物(NMC)。重要的是,特别关注了低温循环(接近冰点),这是传统模型经常表现不足的一个研究不足的领域。

2. 数据集描述
在本工作中,使用了桑迪亚国家实验室提供的数据集来训练和验证所提出的模型,涵盖不同的化学成分和运行条件。(47) 每种选定的电池对应于一种广泛采用的电池化学成分。如图 1 所示,电池选择包括 LCO(电池型号 LGDBHE21865,由 LG Chem 制造)、LFP(电池型号 ANR18650M1,由 A123 Systems 制造)和 NMC(电池型号 LGDBHG21865,由 LG Chem 制造)。测试电池的主要特性,包括它们的化学成分、容量、能量含量、运行温度范围和单价,在表 1 中进行了总结。每种电池化学成分都有不同的特性,这些特性影响热生成和热行为。例如,NMC 电池提供最高的能量(10.1 Wh),而 LFP 电池具有最高的热稳定性和最宽的运行温度范围(-30 至 60°C)。(48) 这些不同的属性影响电池在充电和放电过程中的响应方式,并影响循环过程中的热生成和散热。

图 1
图 1. 从左到右的商用 18650 格式锂离子电池:LGDBHE21865(LCO)、ANR18650M1(LFP)和 LGDBHG21865(NMC)。改编自 Barkholtz 等人 (47)
版权所有 2017 The Electrochemical Society. (47)

表 1. 基于正极材料的各种 18650 格式锂离子电池规格 (47)
| 属性 | LCO | LFP | NMC |
|---------------|--------------|--------------|--------------|
| 阳极材料 | 石墨 | 石墨 | 石墨 |
| 正极材料 | LiCoO2 | LiFePO4 | LiNi0.80Mn0.10Co0.10O2 |
| 标称容量(Ah) | 2.5 | 1.1 | 3.0 |
| 标称电压(V) | 3.7 | 3.3 | 3.6 |
| 能量(Wh) | 8.8 ± 0.1 | 13.5 ± 0.0 | 10.1 ± 0.4 |
| 能量密度(Wh/L) | 533.3 | 212.1 | 12.1 |
| 比能量(Wh/kg) | 195.5 | 88.9 | 224.8 |
| 最大放电电流(A) | 20 | 30 | 20 |
| 运行温度(°C) | 0 至 50 | 0 至 60 | 0 至 50 |
| 体积(cm3) | 16.5 | 16.5 | 16.5 |
| 电池质量(g) | 44.9 | 39.4 | 44.9 |
| 单价(USD) | 9.95 | 9.95 | 6.0 |
| 每单位能量价格(USD/kWh) | 85 | 28 | 28 | 94.0 |

所有循环测试都使用 Arbin SCTS 多通道电池测试系统进行,并在 SPX Tenney T10C-1.5 环境室中进行,该环境室允许在 -73 至 200°C 之间进行精确的温度控制。(47) 在循环之前,电池在选定的温度下放置 12 小时。在电池在不同的放电条件下进行测试时,只选择了对应于 1C 充电和 1C 放电速率的一部分循环数据。为了确保所有样本的一致性,测试协议的第一步设定为从 0 小时开始。每种电池化学成分(NMC、LCO 和 LFP)在 5°C 下应用的电流曲线如图 2(a–c) 所示。在循环过程中,电池以 1C 速率进行恒电流-恒电压(CC–CV)充电,直到电流降至 50 mA 以下。然后电池以 1C 速率从满电荷(100% SOC)放电到完全放电(0% SOC),每次充放电循环之间有 10 分钟的休息时间。

图 2
图 2. 三种电池化学成分在 5°C 下的电流曲线:(a) LFP,(b) LCO,(c) NMC。改编自Barkholtz等人(47)版权所有2017年电化学学会。(47)高分辨率图片下载MS PowerPoint幻灯片对于选定的电池,在低温(5°C)、室温(25°C)和高温(45°C)下进行了循环测试。(47)如果任何电池的温度超过制造商定义的安全操作限制(表1),则停止测试。(47)在较高温度下,尤其是在45°C时,自热效应可能导致环境舱达到这一截止阈值。当达到阈值时,系统会引入自动休息间隔,导致放电分段。这些暂停影响了电池的电压行为,可能会在电压曲线中造成一些失真。为了监测电池在循环过程中的温度,在每个电池的外表面固定了一个热电偶。通常,在电池研究中使用标准K型或T型热电偶进行表面温度测量。(25,49?51)根据ASTM E230/E230M中定义的公认规范,标准等级的K型热电偶的误差限为±2.2°C或读数的±0.75%(以较大者为准),而T型热电偶具有更好的容差,其标准等级的误差限为±1.0°C或读数的±0.75%。假设使用具有典型表面安装配置的标准等级热电偶,预期的测量不确定性约为±1至±2°C,这包括热接触电阻、冷端补偿和时间延迟等因素。

在这项工作中,熵-SOC关系数据来自Wind和Vie,他们使用加速电位法在整个充电范围内以约5%的SOC间隔收集数据,并为不同的化学成分展示了曲线。(52)关于LFP和NMC化学成分的开路电压(OCV)曲线,数据来自CALCE(马里兰大学先进生命周期工程中心)数据库。(53?55)然而,对于LCO电池,OCV数据集是由之前关于商业LIBs健康状态(SOH)评估的研究提供的。(56)由于熵和OCV测量都是在平衡状态下进行的,因此对于相同化学成分的电池设计中的微小差异——例如电极负载和N/P比率——不会影响这些测量结果,因为它们的热力学性质。

3. 方法论
本节介绍了用于预测LIBs在循环过程中的表面温度的方法论。首先介绍了本研究考虑的热模型的一般结构和热平衡项,包括经常被忽略的辐射损耗。接着描述了所提出的PINN框架,以及如何在训练期间将实验信号与控制热方程结合。然后指出了本工作中开发的特定元素,包括可逆熵热处理和充电一致性约束,以及保持损失函数中物理单位的自适应加权策略。最后,描述了网络架构、训练程序和评估指标,以提供清晰且可重复的方法说明。

3.1. 热模型
在LeBel等人的工作中,证明在电池热模型中包含与熵相关的热能够将温度预测精度提高多达4°C。(57)熵的变化(ΔS)描述了两种状态之间的熵差异,特别是在电池中的锂离子插层和脱层等化学或物理过程中。(57)因此,计算电极处的熵变化可以揭示电池的能量效率及其性能如何依赖于温度。(57)虽然这个术语经常被忽略,但它可能是吸热的或放热的,这取决于电流的方向和SOC。(58,59)熵的贡献在不同的化学成分和SOC范围内变化很大,特别是在具有陡峭OCV–SOC转换的电池中,如LCO。(52,58)包含熵项有助于捕捉这些微妙但重要的热行为,特别是在低到中等C率和中等SOC区域,其中可逆热效应更为明显。(52,57,58,60)
在温度模型中,焦耳贡献项(QJoule)考虑了由于充放电过程中的内阻而产生的不可逆热。如方程1所示,QJoule成分直接与电流和端电压与OCV之间的过电位相关。由于它反映了实时的电能损耗,因此在动态条件下对模拟LIBs的温度升高起着核心作用。(61)在高倍率循环中,尤其是在施加大电流脉冲时,这种机制产生的热量占主导地位。(61)因此,在热方程模型中包含这一项可以确保完全捕获能量损耗。(62)
??Joule=??(???OCV)
QJoule=I(V?OCV)
(1)
其中,I是电流,V是端电压,OCV是开路电压。

辐射热项(Qrad)考虑了通过热辐射向周围环境传递的能量损失率。(43)尽管Qrad在适中温度下通常是一个小值,但在高温操作条件下,这一项变得更加重要,因为此时温度梯度较大。在模拟过程中,辐射损耗可能会影响电池表面温度的预测,特别是在持续高温运行时。(43)从方程2可以看出,当T和(Tamb)之间的差异较大时,辐射热项变得更加显著,因为这两个温度都被提高到四次方。除了温度之外,电池的表面发射率(ε)也对这一项有很强影响。因此,在构建热模型时,准确的温度和发射率值非常重要。总体而言,包括Qrad(方程2)项可以提高模型在高环境温度或自热温度下的准确性,并补充了方程6中已经存在的对流损失项。此外,在LIBs热模型中必须严格考虑辐射热传递,因为它在过热和故障中起着决定性作用。研究表明,在高温下辐射可能主导热传递,这会强烈影响电池之间的热失控传播。(63)其他研究也证实,在故障事件中,大部分热交换是通过辐射发生的。(64)忽略这一效应可能导致对热流量的不安全低估、预测不完整和灾难性故障。因此,明确包括辐射项不仅是为了确保模型的准确性,也是为了提高LIB系统的安全性。
??rad=??????(??4???4amb)
Qrad=εσA(T4?Tamb4)
(2)
其中,ε是电池的发射率,σ是斯特凡-玻尔兹曼常数,A是电池的表面积,T是电池温度,Tamb是环境温度。

方程3描述了由熵变化引起的可逆热源的存在。(61,65)熵热的产生可能是吸热的或放热的,这取决于电极反应的方向和SOC。熵变化(ΔS)可以使用焓变化(dH)和吉布斯自由能变化来确定,(39,66)经过进一步推导后,这种关系可以如方程4所示表达。(58)
??entropy=??Δ????????
Qentropy=TΔSInF
(3)
Δ??=????(?OCV???)
ΔS=nF(?OCV?T)
(4)
其中,ΔS表示熵的变化(J mol–1 K–1),n是指参与电化学反应的电子数(假设为1),F是法拉第常数。(58)
熵变化可以通过电位法或量热法实验测量。然而,这些方法通常需要较长的测量时间。因此,为了解决这个问题,可以采用耗时较短的替代方法,如电热阻抗谱(ETIS)和优化的电位测量协议。(67,68)一旦确定了熵变化,就可以使用方程3计算可逆热功率(Qentropy)。(37)如方程5所示,Qconv代表从电池表面向周围环境传递热量的对流热。(69)
??conv=???(??amb???)
Qconv=hA(Tamb?T)
(5)
其中,h是对流热传递系数。我们提出的模型结合了这些关键术语(方程1、2、3和5)。所提出模型的核心是一个基于物理的知识库损失函数,它强制执行LIBs在运行过程中的第一性原理热行为。具体来说,温度动态由方程6中的微分方程控制
d??d??=??Joule+??entropy???rad+??conv
pmCp
(6)
其中,m是电池质量,Cp是比热容。图3展示了方程6中每个项在操作条件下的相对贡献。总体而言,QJoule和Qentropy项对应于电池内部电化学过程产生的热量,而Qconv和Qrad项描述了从电池表面到环境的热量移除。(70)这些机制共同构成了用于表面温度预测的控制方程中的热平衡。

图3
图3. LIB中的热能交换,显示了来自焦耳加热(QJoule)和熵热生成(Qentropy)的贡献,以及电池表面的对流(Qconv)和辐射热(Qrad)散失。

关于充电项,PINN在每个时间步骤预测电池温度和充电量。通过这种方式,为了通过积分获得充电量,通过随时间积分电流来计算LIB在每个时间步骤输送或存储的总充电量
??(??)=∫??0??(??)d??
q(t)=∫0tI(τ)dτ
(7)
其中,方程7的离散形式表示为
????=?????1+????·Δ??
??qi=qi?1+Ii·Δti
(8)
其中,Ii是步骤i时的电流,Δti是时间间隔,qi表示总电荷量。

3.2. 增强的PINN
在这项工作中,实现的增强型PINN结合了数据驱动的网络和热物理约束(方程6)。网络接收时间、电流、电压、充电量、SOC、OCV、熵系数和温度条件标签作为输入。生成两个输出:(i)预测的温度;以及(ii)累积充电量。通过充电状态引入了递归连接,以确保时间一致性。
该模型使用基于物理的知识库损失进行训练,其中总损失函数由三个术语组成:?tempLtemp、?physLphys和?chargeLcharge。每个术语在约束预测方面起着特定作用。数据项?tempLtemp是数据不匹配项,确保NN预测尽可能接近实验测量值。它定义为预测(Tpred)和测量(Texp)温度之间的均方误差,如方程9所示
?temp=1??∑??=1??(??pred?????exp??)2
Ltemp=1N∑i=1N(Tipred?Tiexp)2
(9)
下一个术语(?phys)(Lphys)将热平衡方程直接纳入训练中。它惩罚预测温度动态与热控制方程(方程6)之间的偏差。物理损失表示为
?phys=1??∑??=1????(????)2
Lphys=1N∑i=1Nr(ti)2
(10)
其中,方程10中的残差r(t)表示为
r(t)=d??preddt?(??1(??Joule+??entropy???rad)+??2(??∞???pred))
(11)
在方程11中,λ1 = (mCp)?1,λ2 = hA/(mCp)。通过包含?physLphys,模型被引导以满足潜在的第一性原理热方程,而不仅仅是依赖于数据拟合。?chargeLcharge项确保累积充电量的预测一致性。网络在每个时间步骤预测充电量,该充电量必须与通过积分施加的电流获得的值相匹配。这一约束表示为
?charge=1??∑??=1??(??pred???[??prev??+????Δ??3600])
Lcharge=1N∑i=1N(qipred?[qiprev+IiΔt3600])
(12)
在方程12中,qiprev是前一步预测的累积充电量,Ii是时间步骤i时的施加电流,Δt是时间增量(以秒为单位)。作为所提出模型的一个贡献,这种公式确保预测的充电轨迹与电荷作为时间电流积分的物理定义保持一致。

由于数据、物理和充电一致性项在不同的尺度上操作,直接将它们结合在总损失函数中可能会导致不平衡的训练。如果一个损失项主导了另一个损失项,模型可能会过拟合或无法满足物理约束。为了解决这个问题,引入了自适应损失权重α和ψ,以便在训练过程中每个贡献都有 comparable 的影响。因此,使用自适应权重,用于组合三个组份 ?tempLtemp、?physLphys 和 ?chargeLcharge 的总损失可以表示为方程13。
?total=?temp+??·?phys+??·?charge
Ltotal=Ltemp+α·Lphys+ψ·Lcharge
(13)
权重在每个训练步骤根据各个损失项的梯度进行更新,即 ????temp?θLtemp、????phys?θLphys 和 ????charge?θLcharge,其中θ表示模型参数(权重和偏差)。在更新过程中,首先计算各个损失项的梯度。梯度被标准化并用于计算原始权重。
??? = max|????temp|mean|????phys|+??
α^=max|?θLtemp|mean|?θLphys|+?
(14)
??? = max|????phys|mean|?θLcharge|+?
ψ^=max|?θLphys|mean|?θLcharge|+?
(15)
在(方程14和15)中,max|????temp| 和 max|?θLphys| 是所有参数中的最大绝对梯度(例如,max(|||?????1|||,|?????1|,···)max(|?L?W1|,|?L?b1|,···)),而 mean|????phys|mean|?θLphys| 和 mean|?θLcharge|mean|?θLcharge| 表示所有参数的平均绝对梯度。添加一个小常数 ? 以避免除以零。最终,权重使用指数移动平均来更新,具体表达式为:??=(1???)·??prev+??·???;α=(1?γ)·αprev+η·α^(16);??=(1???)·??prev+??·???;ψ=(1?γ)·ψprev+η·ψ^(17)。其中,γ是控制对之前数值记忆的衰减率,η是用于调整权重的学习率,αprev和ψprev是上一次迭代的权重值。在这个过程中,首先计算每个损失函数相对于模型参数的梯度。然后,利用这些梯度的相对大小来确定建议的权重α?和ψ?,再将它们纳入实际的自适应权重中。这确保了在训练过程中每个损失项的影响能够动态平衡。

需要注意的是,引入这些自适应权重是为了保持最终损失函数的一致性,而这在相关研究中往往被忽略。因为PINN损失函数结合了来自不同物理量的数据和物理项,简单的加权策略可能导致维度不一致性。(71) 对于PINN模型来说,这种一致性至关重要,它保持了公式与底层物理之间的直接联系。三个损失组分的单位直接来自方程式(9–12)。从方程式9可以得出温度不匹配项为?temp=[??2]Ltemp=[K2],其中K表示开尔文。在本节中,单位用方括号表示。从方程式(10)和(11)可以知道,残差r(t)代表两个温度之间的差异,即??(??)=[?????1]r(t)=[Ks?1],其中s是秒的单位。因此,相关的损失单位由方程式20给出:?phys=[??2???2]Lphys=[K2s?2]。方程式12中的充电项是通过电流的时间积分得到的。因子1/3600将IΔt从安秒转换为安时,这是表示电池电量和容量的常用单位。因此,充电变量用容量单位[Ah]表示。结果,充电一致性损失与电流大小成比例,即?charge=[??2??2]Lcharge=[A2s2],其中A在方程式21中表示电流的单位。在方程式(14)和(15)中定义的自适应系数是根据梯度大小的比例得到的。实际上,这些梯度是在反向传播过程中数值计算得出的,因此它们充当缩放因子。然而,它们的大小来源于与物理量相关的损失项。因此,自适应系数的维度解释是根据相应损失组分的单位而不是数值梯度本身得出的。考虑到相关损失单位的性质,这些比例意味着α的缩放为[??]~[?temp][?phys]=??2??2???2=[??2];[α]~[Ltemp][Lphys]=K2K2s?2=[s2]。(22)

为了确保充电一致性项的一致缩放,自适应权重ψ被定义为ψ = ψ′ (Δt)2,其中ψ′是从损失项的比例得出的。这种公式化自然源于充电更新的离散时间表示,其中积分电流与IΔt成正比。因此,充电一致性损失引入了与离散化相关的时间平方依赖性。ψ的缩放是根据损失项的单位推断出来的,如方程式(23)所示:[??]~[?phys][?charge]=??2???2??2??2??2=[??2??2??2];[ψ]~[Lphys][Lcharge]=K2s?2A2s2s2=[K2A2s2](23)。将这些因子(方程式22和23)代入方程式(13)得到:???phys=[??2][??2???2]=[??2]αLphys=[s2][K2s?2]=[K2];???charge=[??2??2??2][??2??2]=[??2]ψLcharge=[K2A2s2][A2s2]=[K2](25)。因此,所有对总损失有贡献的项(方程式18、24和25)都具有方程式(26)中呈现的相同单位:?total=[??2]Ltotal=[K2](26)。这表明自适应权重提供了缩放,保持了总损失函数中各个损失贡献之间的维度一致性。

3.2.1. 模型架构
在训练模型之前,所有的关键特征,如温度、充电状态(SOC)、电流和电压都被标准化。这一步确保每个输入特征都被缩放到一个共同的范围内(通常是[0,1]),以便神经网络(NN)可以从数据中高效学习,而不会被数值较大的特征所主导。例如,电流的标准化是根据每个数据集计算的,使用电流的绝对值,如方程式(27)所示:??abs,norm=|??|?|??|min|??|max?|??|min。同样,其他物理量,如时间、电压、电荷和温度也使用以下通用表达式进行标准化:??norm=?????min??max???min。(28)其中X指的是每个特征(物理量)。

SOC的计算公式为SOC=????nominal×100%。(29),其中q是积分电荷(方程式7),qnominal是标称的LIB容量(以Ah为单位)。由于几个关键特征是从原始数据中派生出来的,因此需要进行插值。通过插值使用参考的OCV-SOC查找表来获得与每个SOC相对应的OCV电压,如方程式(30)所描述:OCV??=Interp(SOC??,OCV‐SOCTable)。(30)同样,影响熵热项的插值熵变化数据(ΔS或dS)也作为SOC的函数进行插值,如方程式(31)所定义:d????=Interp(SOC??,Entropy‐SOCTable);dSi=Interp(SOCi,Entropy‐SOCTable)。(31)图4展示了所提出的增强型PINN模型的架构。NN接收标准化的时间、电流、电压、电荷、SOC、OCV、熵系数和温度条件标签作为输入。生成两个输出,即预测的温度(T)和累积电荷(q)。在每次迭代中,计算导数,然后通过结合NN的加权贡献和物理方程的残差来更新?total(方程式13)。通常,训练会进行到?total低于选定的容忍度(σ)为止,此时停止训练过程。训练配置总结在表2中。

表2. 增强型PINN模型中使用的NN超参数
超参数 值
隐藏层数量 2
隐藏神经元数量 128
学习率 1 × 10–3
批量大小 32
可训练参数数量 ≈42,000

如表2所示,该模型使用两个隐藏层,每个层有128个神经元,使用Adam优化器进行训练,学习率为10–3。训练进行了多达1500个周期,批量大小为32,数据被分成训练集和验证集。训练集使用了每个数据集的30%和50%,以强调模型的泛化能力。总体而言,该网络包含大约42,000个可训练参数,这提供了足够的计算能力来捕捉非线性的电化学-热相互作用,同时保持模型在实际使用中的计算效率。此外,模型中使用的热参数,包括热容量、对流系数、发射率和有效表面积,在表3中进行了总结。这些参数在训练过程中没有进行优化或隐式调整。它们被视为固定值,以限制自由变量的数量,并将学习过程集中在控制物理公式上。表3中呈现的有效表面积(A)是从18650电池的总外部表面积估算得出的,通过一个利用率因子γ进行调整,该因子考虑了非平衡条件下的传输限制现象,如不同的温度和更高的C率,如方程式(32)所示:A=??×??geometric。(32)其中γ估计约为0.6,Ageometric等于0.0042 m2。(72)

模型性能使用预测温度和测量温度之间的平均绝对误差(MAE)和均方根误差(RMSE)来评估。MAE的定义如方程式(33):MAE=1??∑??=1??|???????????|。(33)RMSE的定义如方程式(34):RMSE=1??∑??=1??(???????????)2。(34)在(33)和(34)中,yi是测量值,?i是模型预测的值,n是数据点的总数。这两个指标都常用于回归任务中评估预测准确性。(76)RMSE对异常值更敏感,更强调较大的误差,适用于误差遵循正态分布的情况。相比之下,MAE平等对待所有误差,受异常值的影响较小,提供了平衡的误差度量。(76)

3.3. 全连接神经网络(FCN)
实现了一个全连接神经网络(FCN)作为基线模型,如图5所示。根据图5,FCN网络接受八个输入特征(时间、电流大小、电流符号、电压、循环时间、温度条件和熵系数),并输出预测的电池温度。

图5. 反向传播NN的结构。
高分辨率图像
下载MS PowerPoint幻灯片

学习通过最小化预测温度和测量温度之间的均方误差来进行:?MSE=1??∑??=1??(??pred?????exp??)2。(35)其中Tipred是神经网络为样本i预测的温度,Tiexp是相应的测量温度,N是训练样本的总数。这个损失函数指导模型减少预测温度和实验温度之间的差异,并学习从电学和热学输入到电池温度的映射。FCN模型架构包括一个输入层,后面是五个隐藏层,每个层有135-145个神经元,使用ELU作为激活函数,如表4所示。训练进行了1500个周期,批量大小为32,应用了Adam优化器,学习率为10–5。总共,网络包含大约115,000个可训练参数。这个较大的参数数量能够提供学习非线性温度响应的能力,而相对较小的学习率确保了训练过程中的稳定收敛。

表4. 基线(FCN)的NN超参数
超参数 值
隐藏层数量 5
每层隐藏神经元数量 135(第一层),145(其他层)
激活函数 ELU
最大周期数 1500
学习率 1 × 10–5
批量大小 32
可训练参数数量 ≈115,000

4. 结果与讨论
4.1. 不同电池化学成分的低温性能比较
模型性能比较是在三种不同的化学成分上进行的。验证主要是使用在5 °C下循环的数据进行的,因为低温带来了挑战。模型分别针对每种化学成分-温度对进行训练和评估。对于每种情况,数据集按时间顺序分割,使用初始连续部分进行训练,后面部分进行验证。使用了30%和50%的两个训练规模,剩余的数据集大小用于验证。在比较30%与50%的训练规模时,除了每个案例的训练窗口长度外,所有设置都是相同的。关于50%训练规模的训练和验证的详细信息可以在支持信息(图S10–S18)中找到。

在5 °C时,由于其依赖于SOC和过程的可逆性,熵热(Qentropy)起着更重要的作用。尽管绝对温度(T)较低,但在SOC范围内的d??d??变化使得Qentropy不可忽视。相比之下,辐射项(Qrad)在低温下的贡献较小,因为差值(T4 – Tamb4)保持较小。(77,78) 在这个范围内,主要的冷却机制是对流项???????p(??amb???)hAmCp(Tamb?T),它使电池温度更接近环境温度。

从增强型PINN模型来看,分别使用30%的数据集大小对LFP、LCO和NMC的预测温度进行了展示,结果如图6、7和8所示。相应的误差总结在表5中。

表5. 5 °C下不同电池化学成分的温度预测误差,使用30%和50%的数据集进行训练
a 化学成分 训练MAE 训练RMSE 验证MAE 验证RMSE
30% LFP 0.12 0.14 0.07 0.09
NMC 0.06 0.08 0.13 0.16

在五种化学成分中,LFP电池在验证过程中表现最佳(图6(b)),即使使用的训练数据点较少(图6(a))。这表明在低温循环下热行为相对稳定且可预测。此外,准确性表现与LFP的平坦OCV–SOC形状一致,这使得模型更容易学习熵驱动的变化。LFP的OCV–SOC曲线大部分是平坦的,呈现出类似平台的特点。(79) 因此,在大部分SOC范围内,方程式4中的?OCV???几乎恒定或为零,熵项的增加很少或非常可预测。这样,模型不需要学习与SOC相关的急剧温度变化。

为了了解训练数据规模如何影响模型性能,使用50%的数据集获得的结果也在表5中呈现。对于每种化学物质,使用50%的训练数据进行温度估计时,在充放电阶段预测温度和测量温度之间显示出很好的一致性(见图S10–S12)。该模型在所有三种化学物质上都表现出很强的预测准确性:验证平均绝对误差(MAE)保持在0.10°C以下,均方根误差(RMSE)没有超过0.12°C。值得注意的是,尽管NMC的训练误差较高,但其验证MAE与LFP相同(0.10°C),这表明模型在相似条件下具有良好的泛化能力。当使用30%的训练数据时,NMC化学物质的改进更为显著(见图8(a))。虽然LFP的开放电路电压(OCV)- 放电容量(SOC)曲线基本平坦,但NMC和LCO的OCV-SOC曲线具有更陡峭且非线性的特征,这导致在整个SOC范围内?OCV/?T的变化更大。(80,81)由于PNN模型包含了焦耳热和熵热(分别见方程式1和3),因此具有更复杂?OCV/?T曲线的电池(如NMC)似乎从额外的训练样本中受益更多,在验证过程中表现更好(见图8(b))。有趣的是,将训练数据量从50%减少到30%后,LFP(见图6(b))和LCO(见图7(b))电池的验证准确性略有提高。特别是对于LCO,其验证RMSE从0.12°C降低到0.09°C,MAE从0.10°C降低到0.07°C(见表5)。LFP也观察到了类似的行为。这一反直觉的结果可能与PNN的正则化项(特别是充电一致性约束)在数据点较少时帮助抑制过拟合有关。LCO电池在某些SOC范围内表现出熵和热量生成的急剧变化,这可能放大传感器噪声和瞬态加热效应。然而,使用较短的训练窗口(例如图7(a)),模型可能更专注于学习主导的、更平滑的热趋势,而不是小的局部波动,从而提高了泛化能力。这些发现表明,即使在较小的数据集上进行训练,增强的PNN也可能带来一定的好处,尤其是对于那些SOC依赖性热动力学更强的化学物质。

需要注意的是,报告的MAE值必须放在测量不确定性的背景下进行解释。表面温度是使用热电偶测量的,其预期不确定性约为±1–2°C。在训练之前没有对温度信号进行任何过滤或平滑处理。因此,模型是直接基于原始测量数据训练的。此外,热电偶的不确定性为绝对温度精度定义了一个实际的下限(误差底限)。报告的验证MAE值(低至0.07°C)显著低于传感器不确定性,表明模型在实验噪声范围内再现了测量轨迹。然而,这并不意味着超过了固有的测量限制。因此,这些改进应被解释为与测量信号的一致性提高,而不是绝对热力精确度的提高。在这种情况下,分析的重点是相对于测量信号的确定性预测准确性。要进行严格的统计不确定性分析,需要除了目前从桑迪亚国家实验室数据库中可获得的数据集之外的额外实验数据。

LIBs(锂离子电池)可能会由于外部条件或使用过程中产生的热量而经历温度变化。(82?84)在这些效应在高C率(充电率)下更为明显,因为它们会影响离子流动并增加QJoule(充电过程中的焦耳能量)。(82,84,85)特别是在低SOC(充电状态)运行期间,热量倾向于在电池的特定区域积聚。这种热量集中可能是由于活性物质不足和低SOC条件下的反应活性降低,这可能会减少整体热量生成,从而导致温度分布不均匀和局部热变化。(86)然而,从图6–8(a,b)可以看出,模型在循环过程中准确跟随了测量的温度趋势,突显了?chargeLcharge项在调节这些SOC依赖性加热效应方面的潜在作用。此外,外部因素(如电磁干扰)也会影响K型和T型热电偶的读数,从而降低电池模型的准确性。(87)这些结果证实,所提出的增强型PNN模型能够在低温条件下有效地学习温度动态,而这些条件下的电池热响应通常难以建模。(20,88,89)虽然研究结果表明更多的训练数据(数据集的50%)有助于模型更好地捕捉非线性(见图S10–S12),但结果也表明,即使在数据集的较小部分(30%)上进行训练,PNN方法也能保持强劲的性能。

为了评估所提出的PNN方法的性能,我们将其与使用30%训练数据集的标准FCN(全连接网络)进行了比较。FCN代表了一种传统的神经网络,其损失函数仅由预测值和测量数据之间的均方误差定义。FCN的架构包括连接输入变量(时间、电流、电压和OCV)与输出变量(电池温度)的隐藏层。比较是在相同数据集的三种不同化学物质上进行的。在低温下循环的电池的结果分别显示在图9、10和11中。有关FCN模型在不同温度和化学物质下的性能的更多信息,请参见支持信息(表S1)。对于所有曲线,训练使用了30%的数据集(见图9(a)、10(a)和11(a)),剩余的数据集部分用于验证(见图9(b)、10(b)和11(b))。如前所述,PNN和FCN基线训练/验证划分完全相同。

图9:FNC - LFP电池低温预测:(a) 训练;(b) 验证。初始电池温度为5°C。高分辨率图像。下载MS PowerPoint幻灯片。

图10:FNC - LCO电池低温预测:(a) 训练;(b) 验证。初始电池温度为5°C。高分辨率图像。下载MS PowerPoint幻灯片。

图11:FNC - NMC电池低温预测:(a) 训练;(b) 验证。初始电池温度为5°C。高分辨率图像。下载MS PowerPoint幻灯片。

尽管FCN模型能够再现温度曲线的大致轮廓,但随着时间的推移,预测值出现了明显的偏差——分别见于LFP、LCO和NMC的图9(b)、10(b)和11(b)。对于所有情况(图9(b)、10(b)和11(b)),即使测量曲线稳定下来,预测温度仍继续上升。这种系统性偏差可能是由于FCN仅依赖于数据拟合,缺乏限制温度上升的物理约束。由于时间是主要输入特征之一,网络可能会将较长的循环周期与更高的温度联系起来,从而导致人为的上升趋势。这种行为突显了纯数据驱动模型在捕捉电池真实热动态时的局限性,特别是当真实响应涉及饱和效应或稳态条件时。

表6总结了FCN的性能。根据表6,FCN模型在预测低温条件下的电池温度时表现出明显的局限性。三种化学物质的验证误差都相当高,尤其是NMC和LCO电池。例如,NMC的验证MAE为9.99°C,LCO为6.69°C,明显偏离测量值。只有LFP电池的验证MAE相对较低,为2.16°C;然而,这个值仍然超过了热电偶测量的典型不确定性(1至2°C)。这些结果证实,当训练数据有限时,FCN难以捕捉锂离子电池在低温下的复杂电化学-热行为。

表6显示了FCN和所提出的增强型PNN之间的明显差异。对于FCN,验证误差很高,NMC达到了9.99°C,LCO达到了6.69°C。相比之下,PNN将误差降低到所有化学物质的0.13°C以下,包括LFP和LCO的0.07°C。在某些情况下,PNN的误差比FCN小70多倍。这种差异是由于PNN整合了指导学习过程的物理约束,使其能够跟随温度曲线的上升和稳定过程。

在25°C时,电池温度的变化是由焦耳热(QJoule)、可逆热(Qentropy)和环境相互作用共同作用的结果。尽管在这个温度下辐射热损失(Qrad)不太明显,但熵热的贡献增加了。使用30%和50%数据集的误差总结在表7中。总体而言,对于所有在30%数据上训练的电池,验证MAE保持在0.15°C以下。

表7:使用30%和50%数据集在25°C下不同电池化学物质的增强型PNN温度预测误差

在25°C时,电池温度的演变是由焦耳热(QJoule)、可逆热(Qentropy)和环境相互作用共同作用的结果。虽然在这个温度下辐射热损失(Qrad)不太显著,但熵热的贡献增加了。使用30%和50%数据集的误差总结在表7中。通常,对于所有在30%数据上训练的电池,验证MAE保持在0.15°C以下。

表7:使用30%和50%数据集在25°C下不同电池化学物质的增强型PNN温度预测误差

LFP电池在30%数据训练下的表现最为稳定,验证MAE为0.06°C,而在50%数据训练下仅略有下降至0.05°C。这种稳定性归因于LFP的平坦OCV-SOC曲线,导致?OCV/?T几乎恒定。这种稳定性降低了模拟熵热(方程式3)的复杂性,使PNN更容易学习这一行为。如表7所示,无论在哪种训练条件下,LCO电池的预测误差都保持较低,使用30%数据集时验证MAE值为0.07°C,使用50%数据集时仅略有下降至0.06°C。在25°C时,循环过程中的温度变化是由焦耳热(QJoule)和熵相关热(Qentropy)共同作用的结果,这两种效应都依赖于?OCV/?T。在LCO等化学物质中,这种效应更为明显,因为熵的贡献更大,OCV-SOC曲线的变化更为剧烈。(52)需要注意的是,与充电一致性相关的自适应权重ψ有助于模型在室温附近捕获SOC动态。当SOC依赖性效应(如Qentropy)的贡献较大时,这一点尤为重要。因此,包含这一项即使在训练数据有限的情况下也能提高预测稳定性,正如LCO所显示的。相比之下,基于NMC的电池表现出较低的熵-SOC变化,这使得电池对熵系数的变化不太敏感。(52)有趣的是,当仅在30%的数据上进行训练时,NMC显示出最高的验证误差(Val MAE:0.14°C),但在使用50%的数据集训练后,这一误差仅略有下降至0.10°C。这种准确性的小幅提高可能表明模型从额外的数据点中受益,这可能是由于更好地覆盖了非线性。尽管没有在较低温度条件下循环,但在低SOC操作期间电池内部仍可能发生局部加热。这种加热与活性物质减少和这些区域中可用的活性物质有限有关,可能导致热量生成不均匀。(86)因此,在温度测量过程中,这一过程可能会导致数据噪声并降低模型的整体精度。

在不同化学物质中,室温附近的稳定预测表明模型学习了由SOC变化驱动的潜在热行为。特别是,自适应充电一致性ψ使模型能够更好地捕捉与熵相关的微妙变化,这些变化仅凭数据很难模拟。这使得该方法对于具有更复杂熵-SOC曲线的电池化学物质特别有价值。

在45°C时,电池在更高的热应力下运行。(90)出于安全考虑,在循环过程中,当电池达到制造商允许的最大温度时停止了测试(见表1)。在高温下,电池的自热更为显著,导致热室达到了其50°C的截止温度限制。因此,放电过程被休息期中断,这影响了电池的电压曲线和热响应。

在45°C下循环的电池的温度预测误差总结在表8中。从图S7至S9可以看出,估计曲线紧密追踪了所有化学成分下测量得到的温度曲线的变化。表8显示,在使用30%和50%的数据集进行训练的情况下,不同电池化学成分在45°C时的PINN温度预测误差有所改善。

根据表8,使用30%的数据集进行验证时,MAE值通常在0.06到0.07°C之间。总体而言,与使用50%的数据集相比,使用30%的数据集进行训练得到的验证误差更为接近。在训练过程中也观察到了类似的行为。这种微小的差异支持了训练规模与模型精度之间的有效平衡,尤其是对于在较高温度下循环的电池而言。总体而言,该模型在45°C时的表现优于在5°C(表5)和25°C(表7)下循环的电池。这种性能提升可能归因于高温效应,例如电解质导电性的提高和反应动力学的加快,这些因素使电池的热行为更加稳定,对小波动不那么敏感。此外,在较高温度下,熵项(Qentropy)的相对贡献减小,而QJoule加热成为主导因素,这与电流和电压差I(V – OCV)直接相关,而这些参数都被直接输入到PINN模型中。这些数据的直接输入也有助于模型在较高温度下的良好表现。

4.2. 额外的验证和鲁棒性研究
使用一个代表性的测试案例进行了额外的验证和鲁棒性研究。这些分析评估了模型对关键物理参数的敏感性、其在不同工作条件和电池化学成分下的泛化能力,以及选定物理参数在限制极端温度误差中的作用。以LCO电池为例进行了敏感性分析,其有效表面积从0.0025平方米增加到0.0042平方米(约增加了70%),同时保持所有其他参数和训练条件不变。在5°C时,增加有效表面积并未改变验证误差,这表明模型对较低温度的适应性较强。在较高温度下,观察到的最大验证RMSE为0.23°C(表S2)。这种行为在物理上是合理的,因为对流和辐射传热项都与表面积成正比,在较高温度下影响更大。这些结果表明,模型能够应对真实的参数变化,在大多数工作范围内保持较低的误差水平。

为了进一步评估模型在训练范围之外的性能,使用了LCO电池进行训练,LFP和NMC电池进行验证,测试温度分别设置为5°C、25°C和45°C。所有情况下都使用了相同的训练数据分割方式,每个温度下记录了3.9至4.7小时的LCO数据(占可用数据集的30%)。对于验证,使用了未见过的电池化学成分的完整数据集,覆盖了12.9至14.1小时的数据。在45°C时,使用LCO电池进行训练、NMC电池进行验证获得了最佳结果,验证MAE为0.29°C,RMSE为0.36°C(表S3)。在5°C时,使用LCO电池进行训练、LFP电池进行验证时误差最小,MAE为1.55°C,RMSE为1.72°C。总体而言,当模型应用于不同化学成分时,尤其是在低温下,性能会下降。电极材料、熵行为以及不同化学成分之间的OCV–SOC关系差异引入了额外的可变性,从而降低了预测准确性。然而,当前框架主要用于在给定化学成分和工作条件下的插值。因此,为了在实际应用中达到可比的准确性,需要使用特定化学成分的数据重新训练模型。

还对LCO电池进行了补充的消融分析,通过报告验证期间的最大局部温度误差来进行评估,该误差定义为测量温度曲线与预测温度曲线之间的最大差异。这一指标对于电池管理非常重要,因为短暂的温度峰值可以确定安全操作限制并触发保护性控制措施。使用30%的数据进行训练时,全模型在5°C时的最大误差为0.74°C,在45°C时为0.64°C(表S4)。例如,在高温下,去除任一物理贡献都会导致更大的峰值偏差,去除辐射损失时最大误差增加到1.13°C,去除熵加热时增加到1.30°C。这些结果表明,同时考虑这两种物理因素可以减少高温下的温度预测误差。这对于热控制和可靠的电池操作至关重要,包括更好地检测过热情况。

使用30%的数据集时,所有温度下的模型误差均低于基于热电偶测量的典型不确定性范围。这表明,在测试条件下,模型预测的准确性至少与传感器读数相当。尽管模型在不同化学成分下表现良好,但由于LFP电池的特性,测量信号本身较为嘈杂。然而,模型分析还提供了有关这种行为背后原因的有用见解,这可以归因于内在因素和实验因素的结合。LFP电池产生的热量较低,这是由于其名义容量和比能量低于NMC和LCO(表1)所致。这些特性导致热梯度较小,从而在测量过程中信号变化不太明显。对于OCV–SOC曲线较陡峭的化学成分来说,通常可以忽略的波动在LFP中会更加明显,使得测量数据显得更加嘈杂。LFP几乎平坦的OCV–SOC曲线减少了大部分SOC范围内?OCV???的变化。在这些条件下,即使电压测量或SOC估计有小的误差,也会转化为计算出的熵相关热量的不成比例的大变化。此外,表面安装的热电偶配置、±1–2°C的不确定性限制、接触电阻和电磁噪声等也会影响测量噪声的影响。

由于表面安装的热电偶通常表现出±1°C的不确定性,因此还评估了模型相对于传感器宽容度的预测性能。对于所有化学成分和环境温度,使用每个数据集的30%进行训练,剩余数据用于验证。因此,计算了提出的模型中验证样本落在±1°C范围内的比例。在所有考虑的情况下,100%的验证点都落在这个范围内,表明模型与测量到的表面温度信号具有很强的一致性。相应地,亚±0.1°C的平均误差被视为与实验数据一致,而不是超出传感硬件分辨率的限制。这证实了所提出的模型在测量不确定性范围内可靠地跟踪了实验热行为,这对于电池管理和安全相关应用非常宝贵。

需要注意的是,当前模型预测的是表面温度而非内部电极或芯温度。虽然表面热行为可以为电池管理提供有用的间接信息,但内部温度梯度和局部加热需要额外的建模或内部温度传感器。因此,当前框架主要用于基于表面的监测和控制,而不是直接诊断内部退化机制,如锂沉积和热失控。

4.3. 未来研究方向
本研究中使用的验证是针对在受控环境舱条件下以1C速率循环的单个商用18650电池进行的。表面温度是使用表面安装的热电偶测量的。这些条件允许在受控环境中分析电池的热行为。然而,实际电池系统可能会经历本研究中未考虑的额外效应。例如,电池组层面的热耦合、电池不平衡、气流不均匀、传感器放置的变异性以及老化过程可能会影响观察到的温度响应。此外,在实际应用中的电池通常会受到更动态的负载曲线和变化的环境条件的影响。因此,将提出的框架扩展到电池组层面配置和更复杂的操作场景是未来研究的一个重要方向。

另一个限制涉及评估指标。当前研究使用确定性预测指标来评估模型性能。然而,需要进行严格的统计不确定性分析,需要使用超出桑迪亚国家实验室公开数据集的额外数据。因此,评估重点集中在确定性误差指标(如MAE和RMSE)上,并结合不同工作条件下的验证和敏感性测试。未来的研究可能会探索不确定性量化方法,例如集成方法或贝叶斯框架,使用包含更多重复实验的数据集。此外,未来的工作将集中在建模温度依赖参数(如h和Cp)上,并将方法扩展到更动态的场景,包括eVTOL任务和电动汽车的驾驶曲线,以及更广泛的数据集。

5. 结论
在这项工作中,我们提出了一种改进的PINN架构,用于电池表面温度预测。所提出的模型将控制热方程嵌入训练过程中,并明确包含了之前研究中经常被忽略的熵加热和辐射损耗。还引入了一个电荷一致性项,以强化依赖于SOC的动态行为。此外,在训练过程中使用自适应系数α?和ψ?来平衡物理和数据驱动的损耗项。这些系数的定义确保了最终损失函数的一致性,这在相关工作中经常被忽视。这种一致性对于维持PINN模型中公式与基础物理之间的清晰联系非常重要。该模型还展示了在多种化学成分(LFP、LCO、NMC)和操作条件(5°C、25°C和45°C)下的适应性。研究结果表明,即使训练数据有限(30%),改进的PINN模型仍然有效。在5°C时,仅使用30%的数据集进行训练,验证误差通常低于0.10°C,与使用50%数据集时的性能相当。另一方面,传统的FCN模型在同一条件下的误差较大。这些结果表明,所提出的改进PINN模型即使在低温条件下也能可靠地捕捉电池的主要热动态,尽管低温预测面临诸多挑战。使用有限的训练数据(30%)时,电荷一致性损失有效地调节了依赖于SOC的加热效应,这一点在低温下尤为重要。为了提高物理可靠性,自适应损失平衡(α和ψ)确保了Joule、熵和辐射贡献得到适当的权衡。因此,模型在高温下的泛化能力也很强。在这些场景中,Joule加热主导了热响应,而熵贡献的影响较小。总体而言,在较高温度下的性能最佳,验证MAE在0.05–0.07°C范围内,这使得改进的PINN模型也适用于防止电池过热等应用。实际上,本研究中报告的预测误差与表面安装热电偶的预期不确定性相当(大约±1–2°C)。因此,所提出的模型在不同化学成分和测试条件下的预测结果与实验测量结果一致,支持其在电池管理系统中的监测和控制用途。这项工作提出了第一个有效地整合了相关物理术语的PINN模型,从而实现了更可靠和稳健的电池系统预测。此外,本研究还重点关注了低温行为,这是电池性能和安全领域一个关键但研究不足的话题。
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