《Batteries》：SOH Estimation of Lithium-Ion Batteries Using a Residual Multilayer Perceptron-Based, Physics-Informed Neural Network for the Battery Management System
编辑推荐：
精确估计锂离子电池健康状态（SOH）对于电动汽车和储能应用中可靠的电池管理系统、寿命预测和安全保障具有高度需求。传统的数据驱动方法，如多层感知机（MLP），通常存在泛化能力差的问题，并且由于缺乏领域知识约束，可能会产生非物理的退化趋势。为了解决这些局限性，本研
精确估计锂离子电池健康状态（SOH）对于电动汽车和储能应用中可靠的电池管理系统、寿命预测和安全保障具有高度需求。传统的数据驱动方法，如多层感知机（MLP），通常存在泛化能力差的问题，并且由于缺乏领域知识约束，可能会产生非物理的退化趋势。为了解决这些局限性，本研究提出了一种单调的物理信息残差MLP神经网络框架，使用NASA电池数据集（B0005、B0006、B0007和B0018）进行SOH估计。所提出的模型通过惩罚SOH相对于循环指数的正梯度，纳入了基于物理的单调退化约束，从而强制执行物理一致的容量衰减行为。采用损失函数来提高鲁棒性并增强循环后期的学习能力。实验结果表明，所提出的方法实现了0.0287的RMSE，0.0181的MAE和2.69%的MAPE，表明在多种退化模式下都能进行准确稳定的SOH预测。与纯数据驱动模型相比，使用物理信息约束显著增强了退化一致性并减少了过拟合。所提出的结构为实际电池管理系统中的健康状态估计提供了忠实的解决方案。
在电动汽车和储能系统广泛应用的背景下，锂离子电池因其高能量密度、长循环寿命和优异功率性能成为核心组件。然而，电池在电化学与机械退化过程的影响下不可避免地发生老化，主要表现为固态电解质界面（SEI）层增厚、活性材料损失以及内阻增加，直接导致可用容量衰减。电池管理系统（BMS）需要准确估计电池健康状态（SOH）以实现预测性维护和安全保障。现有SOH估计方法存在显著局限性：直接实验方法耗时且无法实时在线实施；基于模型的方法计算复杂且难以适应非线性老化动态；纯数据驱动的机器学习模型由于缺乏物理规律约束，在训练分布外泛化能力差，易产生非物理的不稳定预测。为填补这些研究空白，本研究旨在将控制物理方程嵌入神经网络，探索物理信息神经网络（PINN，将物理定律约束整合到神经网络训练损失函数中的模型）在SOH估计中的应用潜力。该研究提出了一种融合残差块和电池特定门控机制的物理信息残差多层感知机框架，将数据驱动学习与物理退化约束相结合，以在数据稀缺区域实现物理上合理的预测。该成果发表在《Batteries》期刊，为实际BMS应用提供了一种兼具高精度和物理可靠性的SOH估计解决方案，具有重要的工程应用价值。
研究人员为开展研究主要采用了以下关键技术方法：使用来源于NASA艾姆斯研究中心的PCoE电池数据集（涵盖B0005、B0006、B0007和B0018四个电池单体）构建样本队列。在数据预处理阶段，提取了14个对退化敏感的特征（包含电压、电流的统计特征及充电时间、总电荷量），并采用Min-Max缩放与独热编码。模型构建上，确立了基线MLP（多层感知机）模型，并开发了PINN架构，其物理约束技术包括指数衰减模型、幂律退化模型、单调性与凹性约束及边界条件。
整体性能比较：MLP vs. PINN
通过对比基线MLP与所提出的PINN模型在所有四个电池上的测试结果，得出PINN在各项评估指标上均优于MLP的结论。纯数据驱动的MLP模型在训练收敛后，测试集上的均方根误差（RMSE）为0.0627，平均绝对误差（MAE）为0.0533，平均绝对百分比误差（MAPE）为7.74%。由于缺乏物理约束，MLP容易产生非单调的SOH预测，错误地预测SOH随循环增加而上升。而融合了经验物理约束的Residual MLP-PINN模型实现了0.0286的RMSE、0.0181的MAE和2.69%的MAPE，相比MLP，RMSE降低了54.4%，MAE降低了66.0%，MAPE降低了65.2%。这表明物理规则的引入显著提升了预测精度和物理有效性。该模型达到了工业标准中RMSE ≤ 0.030的实用部署阈值，所有五个物理约束项在收敛时均得到充分满足，残差损失在10
-6范围内。
留一电池法验证
为了评估模型对完全未见过的电池而非仅未见过的循环的泛化能力，研究人员采用留一电池法进行交叉验证。每次保留一个电池作为测试集，在其余三个电池上进行训练。结果显示，LOBO的RMSE值高于80/20时间序列划分的结果。这部分归因于在LOBO验证中排除了总电荷和充电时间两个特征，并采用了基于容差的软单调性和凹性约束，同时禁用了电池特定门控。这种更高的、依赖折分的误差反映了在对全新电池进行泛化时的附加难度，因此LOBO是评估BMS就绪状态的一项更为保守的指标。
约束违例量化与组件消融
通过逐周期检查测量到的SOH序列是否违反严格单调性和凹性，研究人员量化了实测数据中的物理约束违反百分比。此外，通过逐个移除PINN损失函数中的单项物理约束进行消融实验，结果证实各项物理约束均对模型性能提升有正向贡献，相较于MLP基线显著改善了预测稳定性。
讨论与总结，研究人员得出以下研究结论：首先实现了基线MLP模型以学习退化特征与SOH间的非线性关系。为提升物理一致性，提出了将基于物理的退化约束整合进训练过程的PINN。该架构结合了残差块和电池特定门控以增强表征学习。结果揭示，相比基线MLP模型，PINN能产生更准确且物理一致的SOH预测。这些发现凸显了将数据驱动与基于物理的建模相融合在电池健康估计中的潜力。未来工作可关注纳入更详细的电化学退化模型以提升物理可解释性，并将其部署于实时BMS中，探索同时估计SOH、荷电状态（SOC）和剩余使用寿命（RUL）的多目标网络架构。 本研究局限在于PINN框架仅与标准MLP进行了对比，未来需在CALCE、Oxford等多源数据集上与LSTM、Transformer等先进深度学习网络展开全面基准测试。
