基于物理先验的贝叶斯神经网络，用于可靠的电池健康状态评估

《Scientific Reports》：Bayesian neural networks with physics-based priors for robust battery health assessment

　　

摘要

对锂离子电池进行准确且考虑不确定性的健康状态评估，对于确保能量存储系统的可靠性、安全性与效率至关重要。虽然数据驱动方法具有出色的预测性能，但往往缺乏可解释性以及可靠的不确定性量化能力；而基于物理的模型则依赖于精确的参数设定，其泛化能力可能有限。为解决这些难题，本文提出了一种贝叶斯神经网络框架，该框架结合了从电化学电池模拟中得到的基于物理的先验信息。这些先验信息通过变分目标函数中的库尔贝克-莱布勒散度项，将电化学领域的专业知识直接融入贝叶斯推理过程，从而提供了一种能够平衡数据真实性与物理一致性的有效正则化机制。该框架能够生成具备物理信息的后验预测分布，并实现端到端的不确定性量化。其在公开的可用的NASA电池数据集以及温州电池组退化数据集上进行了性能测试，这些数据集涵盖了不同的放电模式、工作条件以及电池规模。在两个数据集上，与使用传统先验的标准贝叶斯神经网络以及最先进的基于物理引导的贝叶斯方法相比，该方法在预测精度、概率校准以及稳健性方面均表现出更优的性能。这些结果证明了，在受控的正常工作条件下，基于物理信息的先验方法在不同化学体系以及从单节电池到电池组的验证场景中，都能有效提升电池健康状态的预测准确性。