融合物理信息的保角卷积与混合专家学习的无创锂离子电池健康状态估计

《JOURNAL OF POWER SOURCES》:Physics-informed optical convolution and mixture-of-experts learning for noninvasive lithium-ion battery state-of-health estimation

【字体: 大 中 小 】 时间:2026年07月30日 来源:JOURNAL OF POWER SOURCES 8.4

编辑推荐:

  电池健康状态(SOH)的准确估计对于电池储能系统的可靠运行与管理至关重要。在实际应用中,由于电池群体的异质性、非平稳的退化行为以及许多数据驱动模型有限的可解释性,SOH估计面临巨大挑战。为解决此问题,研究人员提出了一种基于物理信息的SOH估计框架。该框架集成了

  
电池健康状态(SOH)的准确估计对于电池储能系统的可靠运行与管理至关重要。在实际应用中,由于电池群体的异质性、非平稳的退化行为以及许多数据驱动模型有限的可解释性,SOH估计面临巨大挑战。为解决此问题,研究人员提出了一种基于物理信息的SOH估计框架。该框架集成了调频分解(FMD)、基于傅里叶光学原理的多尺度光卷积以及软门控混合专家架构。充电后的弛豫电压信号被分解为内在振荡分量,并在频域中进行增强,以提取多个时间尺度上对退化敏感的特征。双分支网络联合建模了时间退化动态与运行上下文信息,而软门控MoE架构则实现了跨不同老化阶段和电池类型的自适应专家专门化。实验结果表明,该框架在包括先进老化条件在内的全SOH范围内实现了稳健、稳定的SOH预测。通过物理意义明确特征处理和专家特定响应,可解释性被直接嵌入到模型架构中,提供了与潜在电化学退化机制相一致的见解。因此,所提出的框架非常适合用于实际的电池健康监测和状态感知能量管理应用。
准确估计锂离子电池的健康状态(SOH)对于现代电池储能系统的安全性、可靠性和高效运行至关重要。传统SOH估计方法依赖于电化学或等效电路模型,虽具备物理可解释性,但易受参数可辨识度、模型简化和运行条件敏感性的限制。随着电池老化,机制变得更加耦合和非线性,其准确性会下降。信号基方法虽能直接从电压、电流等信号中提取老化敏感特征,但严重依赖手工特征,在跨种群时鲁棒性不足。近年来,深度学习虽提升了预测性能,但数据集固有的异质性以及黑盒模型的难以解释性成为了两大挑战。为解决这些限制,研究人员提出了一种可解释的SOH估计框架,并发表于《JOURNAL OF POWER SOURCES》。该研究通过将物理约束与深度学习结合,旨在提高跨电池种群和全生命周期退化预测的鲁棒性与可解释性,对安全关键的储能应用具有重要意义。

为开展此项研究,研究人员主要采用了以下几个关键技术方法:首先采用调频分解(FMD)将充电后弛豫电压信号分解为多种电化学过程的内在振荡分量;其次应用基于4f傅里叶光学原理的多尺度光卷积层进行频域调制与增强;随后构建结合双向长短期记忆网络的双分支架构,联合编码时间退化动态与运行上下文特征;接着引入带有熵正则化的软门控混合专家架构以实现多退化机制的自适应专门化路由;最后施加单调老化正则化以确保预测轨迹的物理一致性。本研究的样本队列来源包括三组锂离子电池数据集:56个标称容量60 Ah主动循环电池、400个标称容量2.5 Ah全新电池以及30个长期存储约3年的日历老化2.5 Ah电池。

模型训练行为与收敛
通过观察训练损失曲线得出结论,该模型展现出平滑且稳定的收敛性而未发生过拟合。这表明结合物理信息的预处理与结构化的专家专门化机制为SOH估计提供了稳健的归纳偏置,有利于实际应用中的重训与更新。

整体SOH预测性能
基于独立测试集预测值得出结论,该模型在全SOH范围内实现了高预测精度,在严重老化条件下预测离散度也得到良好控制,证明了其能够准确捕捉长期老化趋势与局部退化加速效应。

模型组件贡献:消融研究
通过消融实验得出结论,移除MoEs机制会在低SOH区域显著降低精度,证实了专家专门化在处理异质退化中的重要性;停用上下文分支会增加全局误差,说明运行条件和频域指标提供了不可或缺的互补信息。

不同SOH范围内的预测精度
通过分析不同退化区间的误差得出结论,框架在低、中、高SOH范围均保持极低误差,尤其在安全性要求高的低SOH区改善最明显;但在中SOH区误差略高,其原因被归结为多种电化学退化机制在该过渡阶段并存所导致的信号重叠。

专家门控行为与架构级可解释性
通过分析门控权重分布及其与真实SOH的关系得出结论,不同专家在不同老化阶段呈阶梯式激活,表现出与电池退化阶段相匹配的有意义的专门化,实现了无需事后归因工具的架构级内在可解释性。

讨论部分指出,该框架不仅预测准确,且其架构级解释性与已知电化学现象相符。其端到端处理时延低于12 ms,且对采样率变化具有极强的鲁棒性,支持在嵌入式电池管理系统中的近实时部署。尽管如此,框架目前仅依赖充电后弛豫信号,其在连续在线监测中的适用性及机制因果关联仍需进一步探究。

研究结论指出,研究人员提出了一种融合物理信息的SOH估计框架。该框架有效捕获了异质电池的非平稳老化行为,双分支架构联合建模了时间退化动态与运行上下文,MoEs机制实现了老化阶段与电池类型的自适应专家专门化。实验证明其在全SOH范围内实现了稳定、准确的预测。通过将物理特征处理与专家路由直接嵌入架构中,避免了事后解释工具的需要,使之成为实际电池储能系统与长期能量管理的理想选择。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号