基于物理原理的图神经网络-Transformer框架用于电池热失控传播预测

《Journal of Energy Storage》：A physics-informed graph neural networks–Transformer framework for battery thermal runaway propagation prediction

　　

吴永熙|赵一帆|阮俊恩|莫崇茂|苏扬汉|陈倩|黄欣妍|欧阳东旭

香港理工大学建筑环境与能源工程系，香港

摘要

为在现实运行条件下降低锂离子电池组的热失控风险，准确且符合物理规律地预测其温度变化至关重要。本研究提出了一种基于物理原理的图神经网络-Transformer框架TRPformer，可用于同时预测电池组的完整温度场，并识别由故障引发的温度异常。该电池组被表示为基于物理热阻网络和母线传热路径构建的加权图，从而能够明确建模电池单元间的热耦合效应。图神经网络用于捕捉空间上的热传递过程，而Transformer编码器则用于学习长距离的时间依赖关系。为提升模型的稳健性和物理一致性，在训练过程中通过基于物理原理的约束条件来确保节点能量守恒。在热失控蔓延场景中，TRPformer可在温度急剧上升前20多秒发出预警；而在正常的充放电热管理过程中，它则能提前约50秒识别出由故障引起的温度异常并定位出故障电池单元。由于能够一次性预测整个电池组的温度场，TRPformer为安全关键的电池系统提供了全新的、可扩展的实时温度监测、故障诊断及早期预警解决方案。

引言

随着电动汽车[1]、[2]以及大规模储能系统[3]、[4]的快速发展，锂离子电池组的安全问题日益重要。在各种故障模式中，热失控及其在多个电池单元间的蔓延所带来的安全风险最为严重，可能会引发灾难性后果[5]、[6]、[7]。因此，人们一直在努力研究、建模并预测电池系统在正常及异常运行状态下的热行为[8]、[9]、[10]。

基于物理原理的方法，包括热阻网络[11]、[12]、[13]以及高精度的CFD模拟[14]、[15]、[16]、[17]，在揭示电池组中热量产生、热传递以及热失控蔓延机制方面发挥了重要作用。这类模型具有很强的物理可解释性，能够模拟电池单元间传导、母线引起的热传递以及电池组内的各向异性热行为等复杂热相互作用[18]。然而，由于其较高的计算成本和复杂的建模过程，这类方法难以应用于实时预测和在线安全监测，尤其是在包含大量电池单元且运行条件不确定的大型电池组中。

与此同时，基于机器学习的数据驱动方法也被越来越多地用于电池温度预测和安全评估[19]、[20]、[21]。诸如CNN[22]、[23]、[24]之类的神经网络，循环结构模型[25]、[26]，以及基于注意力机制的模型[27]、[28]，在利用历史数据预测温度变化及热失控起始时间方面表现出了良好的性能。尽管这些方法计算效率高，但现有的大多数数据驱动模型都将多个电池单元的温度信号视为独立或弱耦合的通道，没有充分考虑电池组的物理拓扑结构及基本传热路径。因此，这类方法往往难以捕捉到控制热传递的耦合型时空动态，尤其是在与热失控相关的强非线性条件下。更重要的是，现有研究大多聚焦于热失控已经发生或即将发生的极端场景。而在实际的电池系统中，安全风险更多源于在正常充放电操作过程中，在热管理控制下出现的局部故障，比如电池单元内部电阻异常、局部老化或接触不良等。这类故障通常表现为细微但逐渐加重的温度异常，很难通过单点监测或仅基于灾难性热失控数据训练的模型来检测出来。目前，对于这类局部异常如何发展、扩散，并可能演变为系统级热不稳定性的预测，仍缺乏足够的研究。此外，现有的大多数预测框架只能提供部分电池单元或传感器的温度估算值，无法重建电池组的完整温度场，而这对于准确识别热点、分析热传递趋势以及实现早期预警而言至关重要。

为解决这些问题，本文提出了TRPformer——一种基于物理原理的图神经网络-Transformer框架，用于电池组级别的温度场预测及热失控蔓延分析。在该方法中，电池组被明确表示为基于物理热阻网络构建的加权图，其中包含了电池单元间的传导以及母线引起的传热路径。图神经网络用于捕捉电池单元间的空间耦合效应，而基于Transformer的时间编码器则用于建模正常运行时的渐进式热量积累以及故障发生时的快速温度上升等长距离时间依赖关系。为进一步提升模型的物理一致性和稳健性，还在训练过程中加入了基于物理原理的神经网络约束，以确保节点能量守恒。

与传统的数据驱动方法不同，TRPformer能够同时预测所有电池单元的温度变化，从而有效重建整个电池组的时空温度场。此外，该框架还在带有局部故障注入的正常热管理条件下经过了验证，证明了其能够在灾难性热失控发生之前识别出由故障引起的温度异常、热点形成以及随后的热量扩散现象。通过将具有物理可解释性的建模方法与可扩展的数据驱动学习技术相结合，TRPformer为安全关键的电池系统的实时温度场预测、故障诊断及早期预警提供了可行的解决方案。本文第一章为引言，第二章介绍TRPformer的结构及代码实现，第三章阐述其在热失控蔓延预测中的应用，第四章讨论其在正常热管理条件下的故障诱导温度异常预测功能，第五章为结论。

章节节选

TRPformer的建模框架

如图1所示，本文提出的TRPformer框架是一种具备物理感知能力的端到端时空预测系统。其整体架构旨在实现数据驱动的模式识别与物理机制约束之间的有机融合。该框架主要由三个核心处理阶段组成：数据构建、时空特征编码以及物理规则约束。模型输入为通过滑动窗口处理得到的时间序列数据。在空间方面

数据准备

为模拟电池组内温度及TR传播的时空演变规律，研究人员开发了一种耦合的热化学TRN模型。该电池组被离散化为二维TRN模型，其中每个锂离子电池单元都被表示为一个集总热节点。在当前配置中，采用了定制化的网格结构，因此总共形成了$m\times n$个电池节点。相邻电池单元间的热传递则通过方向依赖的热阻来描述，而

数据准备

虽然此前的研究结果证明了TRPformer在理想化触发场景下预测热失控蔓延的有效性，但这类场景仅代表了部分与安全相关的事件。在实际的电池系统中，热风险更多源自于在正常充放电操作过程中，在主动热管理作用下出现的局部故障，而非突然由外部因素引发的热失控。这类由故障引起的温度异常

结论

本文提出了一种基于物理原理的GNN-Transformer框架TRPformer，用于实现锂离子电池组中时空一致的温度预测及热失控蔓延分析。通过将具有物理意义的热阻网络和母线引起的传热路径嵌入到图结构中表示，该方法能够同时预测所有电池单元的温度变化，从而有效重建电池组的完整温度场

CRediT作者贡献说明

吴永熙：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件，方法论，研究，正式分析，数据整理，概念构思。赵一帆：写作——审阅与编辑，概念构思。阮俊恩：写作——审阅与编辑，指导监督。莫崇茂：写作——审阅与编辑。苏扬汉：写作——审阅与编辑。陈倩：写作——审阅与编辑。黄欣妍：写作——审阅与编辑。欧阳东旭：写作——审阅与

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了香港理工大学的UGC资助项目（编号P0044994）和（编号P0052426），以及GRF-ECS项目的资助（编号25200925）。作者对所有这些资金支持表示衷心的感谢。