一种混合式的、基于物理知识的机器学习框架，用于无需校准即可预测锂离子电池的退化情况

《Scientific Reports》：Hybrid physics-informed machine learning framework for calibration-free degradation prediction of lithium-ion batteries

　　

摘要

传统上，锂离子电池的退化预测需要针对特定化学成分进行实验室校准，这限制了其在不同工作条件和正极材料下的适用性。本研究提出了一种基于物理信息的混合机器学习退化模型（PIML-DM），该模型无需针对特定化学成分进行实验室参数化，仅利用运行过程中的遥测数据即可实现无需校准的电池剩余容量（SoH）预测。该模型采用双分支架构：LSTM网络用于学习非线性老化趋势，而物理约束损失函数则确保退化过程遵循阿伦尼乌斯温度动力学、沃勒疲劳应力规律以及严格的单调性。为了严格评估模型的跨化学成分鲁棒性，该模型在NASA LCO数据集上进行了训练，在Oxford NCA数据集上进行了验证，并使用本地收集的LFP数据集进行了基准测试。尽管这些不同化学成分的电池在电压特征和退化路径上存在显著差异，但PIML-DM的均方根误差（RMSE）仍低于0.5%，并且能够保持物理上一致的SoH变化趋势，而无需预先进行校准。研究结果表明，基于物理规律的退化模型能够实现跨未知电池化学成分的稳健泛化，包括LFP电池系统，同时大幅减少了针对特定化学成分的实验室表征和校准工作的需求。这表明PIML-DM是一种可扩展、适用于电网储能和电动汽车电池管理系统（BMS）的预测解决方案。