《Green Energy and Intelligent Transportation》:Physics-Prompt Cross-Attention Network for Generalizable and Interpretable Battery State-of-Health Estimation under Domain Shift
编辑推荐:
准确的健康状态(SOH)估计对于安全可靠的锂离子电池管理至关重要,然而实际部署不仅需要点精度,还需要在域迁移下具有强泛化性、可解释性、可理解性和透明度。为满足这一需求,研究人员提出了一种物理提示交叉注意力网络(PPCAN),该网络通过交叉注意力机制将电化学降解
准确的健康状态(SOH)估计对于安全可靠的锂离子电池管理至关重要,然而实际部署不仅需要点精度,还需要在域迁移下具有强泛化性、可解释性、可理解性和透明度。为满足这一需求,研究人员提出了一种物理提示交叉注意力网络(PPCAN),该网络通过交叉注意力机制将电化学降解知识融入数据驱动预测器。与将物理定律作为损失函数中的软惩罚的物理信息神经网络(PINNs)不同,PPCAN将关键电化学变量——包括欧姆电阻(R0)、SEI电阻(Rsei)、锂离子扩散系数(Ds)和可循环锂库存(Cli)——表示为结构化的物理提示,以指导特征提取和预测。由于当前循环的锂库存代理Cli(t)源自容量,可能充当标签代理,研究人员将此设置与泄漏更安全的控制区分开来,而不是将其视为严格标签独立的输入。专门的泄漏应力矩阵显示,当前循环设置提供了一个诊断上界结果(分布外均方根误差OOD RMSE 0.0056),而使用Cli(t?1)的单循环延迟循环级设置在不使用目标循环容量的情况下实现了类似的OOD RMSE 0.0065。在该设置中,Cli(t?1)是在前一个循环完成后可用的历史状态,模型根据循环t中观察到的传感器序列估计循环t的SOH;因此它是一个准在线SOH估计协议,而不是循环前预测协议。该模型还能跨电池化学体系迁移,在从单材料预训练初始化时,在混合化学电池上保持有用的性能。总体而言,所提出的框架为在变化操作条件下进行电池SOH估计提供了一条透明且物理基础的路径。
锂离子电池健康状态(SOH)估计对于安全可靠管理至关重要,然而现有方法在域迁移下面临泛化性和可解释性不足的问题。Ning Yang、Yuefeng Liu、Ziyu Yang在《Green Energy and Intelligent Transportation》发表论文,提出物理提示交叉注意力网络(PPCAN),通过交叉注意力机制将电化学降解参数(欧姆电阻R
0、SEI电阻R
sei、锂离子扩散系数D
s、可循环锂库存Cl
i)作为结构化物理提示,引导数据驱动特征提取与预测,避免传统物理信息神经网络(PINNs)的损失平衡难题。在XJTU数据集(NCM电池,6批不同老化条件)、Tongji数据集(NCA和NCM电池,不同温度)、CALCE LCO数据集和SNL LFP数据集上验证,模型在分布外(OOD)场景下表现优异,且具有可解释性。泄漏应力分析区分了当前循环Cl
i(t)(诊断上界)与前一循环Cl
i(t?1)(准在线估计)两种设置,后者避免目标循环容量泄漏。模型可跨电池化学体系迁移,但极端域偏移(如放电截止电压变化、高频随机负载)仍为失败边界。
**关键技术方法(≤250字)**:主要方法包括(1)物理提示提取:通过轻量经验估计器获取R
0、R
sei、D
s及容量衍生的Cl
i,并设置当前循环Cl
i(t)和前一循环Cl
i(t?1)两种协议;(2)数据驱动特征提取:使用一维卷积(Conv1D)