基于显式物理引导强化的PINN模型用于新能源车辆电池剩余使用寿命预测与动态早期预警

《Journal of Energy Storage》：Remaining useful life prediction and dynamic early warning for new energy vehicle batteries based on a PINN enhanced by explicit physical guidance

　　摘要：准确预测并实现新能源车辆动力电池剩余使用寿命的动态预警，是实现电池系统健康管理与运行优化的关键技术。本文提出了一种结合物理信息与图神经网络框架的模型——PINN-PGNN。该模型通过嵌入包括容量衰减和内阻增长在内的多物理场控制方程，并整合十种衰减约束条件，构建了一个与电池衰减机制相一致的数据-物理协同预测框架。基于14块NMC-LCO 18650电池的全生命周期数据以及Kaggle平台上的开源多化学体系电池数据集，本研究系统开展了模型性能评估、可解释性分析，并构建了动态预警系统。PINN在剩余使用寿命预测方面表现优异，测试时的R2值为0.9739，RMSE和MAE值分别为51.96和40.34，显著优于RF、SVR和LSTM等基准模型。即便引入新的数据集，在跨化学体系、温度约束和电流约束等非分布场景下，PINN仍能保持最低的预测误差（RMSE≤87.5循环次），展现出出色的泛化能力。通过基于SHAP的可解释性分析，本研究明确了循环次数对剩余使用寿命预测的主导作用（占比93.1%），量化了电压特征等关键参数的预测影响，还为28组参数对构建了交互效应的物理分区图，识别出互补效应、饱和效应和独立效应三种典型交互模式。在此基础上，本研究基于置信区间和触发概率构建了动态预警系统，能够量化预测不确定性并动态评估不同等级的预警概率。在未来50次循环中，预警线（对应总寿命的60%）和紧急预警线（对应总寿命的80%）的平均触发概率分别为0.795和0.619，对应的平均预警时间分别为140次循环和27次循环。因此，本研究为新能源车辆电池的健康管理提供了决策支持系统，具备高精度、强可解释性、跨领域泛化能力以及工程实用性。

术语说明：
N：充电循环次数
Q0：初始容量
α1：容量衰减系数
β1：容量衰减指数
f：电压，t：时间
fv：电压和时间特性因子
t3.6–3.4V：电压衰减起始电压（3.6–3.4伏特）
λ1：电压窗口停留时间对容量影响的权重系数
λ2：高压状态持续风险系数
t4.15V：4.15伏特下的电压持续时间
Vc,min：最低充电电压
Vd,max：最高放电电压
λ3、λ4：电压偏差敏感度
tref：参考时间
Vnom：标称电压
a2：单位时间容量损失率

物理方程嵌入与控制方程：
① 容量衰减控制方程[26]、[27]：QN=Q0?1?α1?Nβ1。其中Q(N)为第N次充放电循环后的实际可用容量，Q0为初始容量，α1为容量衰减系数，N为循环次数，β1为容量衰减指数。结合电压特性后，容量衰减方程可表示为QN=Q0?1?α1?Nβ1?fvol。根据本研究中的参数设定，电压特性因子fvol的定义为fvol=exp?λ1t3.6?3.4/t。

基于相关性分析验证数据特征与衰减之间的关联：
数据集来源于夏威夷自然能源研究所的公开标准数据，包含14块标称容量为2.8安时的电池的全生命周期测试数据。这些电池采用石墨负极，正极由NMC和LCO材料混合而成。所有测试均在25摄氏度恒定温度下进行，以避免温度波动对电池电化学行为的干扰。测试采用固定的充放电速率（C/2）。

不同模型在电池寿命预测中的精度优势与误差分析：
将所有循环数据随机打乱后，按每次循环为单位随机划分为训练集（64%）、验证集（16%）和测试集（20%）。为确保结果可重复，研究采用了固定的随机种子。为系统评估不同建模方法的效果，选择了四种具有代表性的模型进行剩余使用寿命预测的对比研究：传统机器学习方法（随机森林、SVR）、深度学习序列模型（LSTM），以及基于SHAP的可解释性分析方法。

基于SHAP的可解释性分析及关键衰减特征的识别：
传统的SHAP分析仅能提供全局平均的特征贡献度，无法反映电池衰减过程中特征重要性随时间的变化趋势。为解决这一问题，本研究构建了三级可解释性分析框架（见图7），包括全局整体分析、分阶段针对性分析和非线性量化分析。该框架结合了基于SHAP的全局特征重要性排序、基于电池衰减阶段的动态注意力机制。

动态预警系统的构建：
基于14块标称容量为2.8安时的NMC-LCO 18650电池的全生命周期测试数据，本研究采用随机留样法将数据集划分为校准集和测试集，用于训练PINN模型。在测试集上，通过按循环次数分组后用中位数轨迹展示剩余使用寿命的演变情况，并对比了传统区间法（±1.96?σy?）与基于均方根误差校准的95%预测区间（±1.96?ε）。

结论：
本研究聚焦于新能源车辆电池剩余使用寿命预测及动态预警的核心需求，构建了一个整合物理机制与数据驱动方法的完整建模框架。通过特征相关性验证、多模型对比、可解释性分析、跨领域泛化验证以及工程化预警系统的构建，系统地揭示了电池老化过程的特点。

作者贡献声明：
张永琴：撰写原始稿件、验证、软件开发、方法设计、形式化分析、数据整理。张伟军：软件开发、数据整理。周文海：文章审阅与编辑、方法设计。陈宣静：软件开发、数据整理。宋彦红：方法设计、形式化分析。胡彩志：方法设计、形式化分析。

利益冲突声明：
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢：
本研究得到了甘肃省高等学校教师创新基金的支持（项目编号2026A-277）。

作者名单：
张永琴|张伟军|周文海|陈宣静|宋彦红|胡彩志
中国甘肃省兰州市兰石化职业技术学院汽车工程学院，邮编730060