综述：面向可解释且可信的锂离子电池预测与健康管理，基于物理信息机器学习

《Journal of Energy Storage》：Towards interpretable and trustworthy lithium-ion battery prognostics and health management with physics-informed machine learning

　　

• •
  PIML 被认为是锂离子电池 PHM 的一种有前景的范式。
• •
  详细介绍了构建有效 PIML 的关键理论、定律和模型。
• •
  知识与机器学习相结合的方法论得到了很好的分类。
• •
  批判性地分析了锂离子电池 PHM 中 PIML 的关键障碍。
• •
  概述了锂离子电池 PHM 中 PIML 的未来途径和展望。

引言

实现净零目标的迫切需求同时满足不断增长的能源需求，要求各个电气化领域进行清洁能源转型 [1]。锂离子电池（Li-ion）凭借高能量密度、长寿命、高充放电速率等关键优势，在电气化应用中备受关注 [2]、[3]。2024 年，交通和固定式锂离子电池储能系统（BESS）应用已进入历史阶段，并在未来呈现更强且持续的上升趋势 [4]、[5]。然而，锂离子电池不可避免地会经历老化和健康退化，这带来了严重的管理和安全问题，如性能恶化、紧急停机、热失控、有毒气体释放甚至爆炸 [6]、[7]。锂离子电池应用的日益普及伴随着事故数量的上升，造成了巨大的财产损失，在某些情况下甚至造成严重的人员伤亡 [2]。除了上述安全考量外，知情健康管理的需求日益增加，以优化充放电协议、热管理、维护计划和二次利用，从而最大化寿命价值和整体经济效益。为了降低风险和故障，延长电池寿命并减少经济损失，开发了先进的预测与健康管理（PHM）方法来应对这些挑战，并在不同场景下带来各种益处，如图 1a 所示 [8]。

得益于人工智能（AI）技术的近期崛起，机器学习（ML）在锂离子电池 PHM 领域获得了大量关注 [9]。锂离子电池 PHM 方法的发展始于计算效率较高的方法，主要包括直接测量和分析方法 [10]。直接测量从可观测的电池信号中推导健康相关指标，而分析方法则将这些指标与主导电池退化的主导因素联系起来。这两种方法都需要相对较少的计算资源。然而，它们在实践操作条件下的鲁棒性受限于对环境和工作条件变化的敏感性、测量不确定性和信号传输噪声 [11]。随后引入了基于模型的方法（例如基于物理和数学模型），使用等效电路模型（ECMs）、数学模型和多物理场模型来表示电池退化机制，从而实现电池健康动态的估计和预测。与上述传统方法相比，ML 模型在理论上减轻了对外部先验知识的依赖，具备自主学习能力，并提供更高的估计精度和可接受的泛化性能，如图 1b 所示 [10]。事实上，通过提供解决复杂退化模式的强大能力并提供准确的健康估计，ML 在近期的研究工作中转变了电池状态估计和诊断，包括电池建模（例如荷电状态（SoC）和电池电压估计）、健康估计和诊断（例如健康状态（SoH）估计和故障诊断）、寿命预测（例如剩余使用寿命（RUL）和退化轨迹预测）以及其他应用 [12]、[13]。然而，纯粹的数据驱动方法表现出对训练数据的多样性和保真度的强烈依赖。覆盖不足或低质量样本可能会加剧分布偏移，导致分布外（OOD）场景，从而破坏模型泛化和可靠性 [14]、[15]。在现实场景中，内容、完整性和数据质量方面的异质性进一步因波动的负载概况、环境温度和其他操作条件而加剧 [16]。因此，纯粹的 ML 方法在泛化和推理能力方面面临严重限制，使其在电动汽车（EV）或 BESS 的电池 PHM 应用中本质上具有随机性和不确定性，无法保证准确性。此外，电池健康状态不可靠的估计结果可能会传播到电池管理系统（BMS）和能量管理系统（EMS）中，潜在地触发错误操作，降低各种应用中的系统稳定性和安全性。

为了开发更可靠的 ML 模型并提高可解释性和泛化能力，提出了一种名为物理信息机器学习（PIML）的新概念，并应用于电池 PHM 应用 [17]。PIML 最初旨在结合基于物理建模和 ML 的优势，以克服纯 ML 方法的局限性，如图 1c 所示，包括缺乏可解释性和在数据稀缺条件下泛化能力弱，这可能导致科学和工程决策中的严重后果。PIML 在锂离子电池 PHM 应用中的应用可以通过各种灵活的方法实现，包括在 ML 模型中结合信息丰富的特征和指标与物理、电化学和机械定律。这大大扩展了模型构建过程中有效且与领域相关的信息量，从而促进了高效学习、数据稀缺下的鲁棒泛化以及提高模型透明度 [18]。近年来，PIML 在电池 PHM 研究和工业应用中的进展展示了其可行性和有效性，旨在构建实用、可靠和智能的健康感知 BMS 和 EMS [17]、[19]。然而，由于其应用本质上是跨学科的，关键挑战在于确定可以利用哪些多物理场知识以及如何将此类知识与 ML 有效整合。这些考虑对于实现锂离子电池 PHM 应用的可解释、可理解、可靠且有效的 ML，以解决电动汽车和 BESS 中的现实挑战至关重要。

本综述突出了通过 PIML 将有效的多物理场知识与 ML 相结合以实现锂离子电池可靠有效的 PHM 功能和框架的最新进展。与主要提供基于 ML 的电池健康方法广泛分类或从一般层面讨论物理 -AI 整合的现有调查、综述和观点不同，本综述具体检查了哪些形式的电池领域知识可以被纳入 ML，此类知识可以在哪里以及如何嵌入，以及不同的整合策略如何支持可解释和可靠的 PHM，如表 1 所示。此外，我们从可解释性、计算复杂性、在线估计、轻量级部署和现实世界泛化的角度批判性地评估了当前的 PIML 应用，并为推进锂离子电池 PHM 的现场可部署 PIML 提供了针对性建议。此外，本工作很好地总结了限制其部署的局限性以及在技术和未来发展途径方面的关键展望。本文组织如下，如图 2 所示。我们首先介绍可以纳入 PIML 的锂离子电池多物理场知识。然后我们回顾了 PIML 在锂离子电池 PHM 应用中的最新进展，沿两个维度对其类别进行分类：领域知识如何与 ML 模型整合以及框架中嵌入知识的程度，并简要总结它们在电池 PHM 应用中的实施情况。最后，我们通过讨论迄今为止 PIML 的局限性并提供展望来总结，探讨将 PIML 扩展到现实世界锂离子电池 PHM 应用的可能性。

章节摘要

锂离子电池退化机制和多物理场建模

构建有效的 PIML 模型需要基于操作物理和老化机制的领域知识。这些可以从一致的理论基础中形式化，以澄清哪些治理原则和机制关系可以作为先验、工程特征或知识信息正则化编码在 PIML 框架中。在此基础上，系统地回顾了操作原理、退化机制和建模方法。

PIML 在锂离子电池 PHM 中的应用

我们综合了锂离子电池的关键操作和退化原理，并概述了在模型中表示这些过程的通用方法。这些理论见解可以作为知识信息的先验或理论启发的约束嵌入到 ML 管道中，从而实现锂离子电池 PHM 应用的有效 PIML 框架。然而，构建锂离子电池 PHM 的 PIML 架构需要对多物理场领域知识和数据驱动建模进行跨学科理解。

现有问题和局限性

尽管 PIML 在过去十年中在该领域备受关注，但当前研究进展与实际应用部署之间仍存在巨大差距，因为现有的 PIML 方法难以在不同的电池化学体系、操作条件和不同 PHM 任务的数据机制中保持可靠性和可转移性。本节总结了继续限制其实用性的关键问题，如图 8 所示。

结论与展望

上述综合表明，在实现锂离子电池 PHM 应用的实用 PIML 方法之前仍存在相当大的差距。为了弥合这一差距，我们认为该领域的未来研究应致力于推进真正可解释和可靠的 PIML 以应对这一挑战。同时，基于 PIML 的数字孪生（DT）具有巨大潜力，可实现全生命周期电池 PHM 应用，从电芯级到 BESS 级。

CRediT 作者贡献声明

Hao Wang：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，软件，方法论，调查，形式化分析，概念化。 Tianwen Zhu：写作 – 审阅与编辑，资源，调查，形式化分析。 Zhiwei Cao：写作 – 审阅与编辑，方法论，调查，概念化。 Yonggang Wen：写作 – 审阅与编辑，监督，资源，项目管理，方法论，资金获取，概念化。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Yonggang Wen 报告得到新加坡教育部政府的支持。Yonggang Wen 报告得到新加坡科技研究局的支持。Yonggang Wen 报告得到阿里巴巴集团的支持。如果没有其他作者，他们声明没有已知的竞争利益冲突。

致谢

本工作部分由新加坡教育部支持，其学术科研基金第一层级 RG104/23，部分由新加坡科技研究局 (A*STAR) 支持 M23L9b0052，以及由 A*STAR 管理的 RIE2025 行业对齐基金 – 行业合作项目 (IAF-ICP) (奖项 I2301E0026) 支持，此外还得到阿里巴巴集团和新加坡南洋理工大学通过阿里巴巴 - 南洋理工大学全球电子可持续性企业实验室 (ANGEL) 的支持。

Hao Wang|Tianwen Zhu|Zhiwei Cao|Yonggang Wen