《EES Batteries》：A fast method for AI-based voltage drop forecast of lithium iron phosphate (LFP) battery cellsOpen Access
编辑推荐：
动态电负载下的电压降对锂离子电池性能至关重要，同时也是电池电学建模的关键指标。普通等效电路模型(ECMs)虽广泛用于此目的，但在低温区域进行电压降预测时缺乏准确性。近年来，以神经网络或混合模型形式呈现的基于人工智能的模拟方法已获得广泛关注。尽管此类方法在中温条
动态电负载下的电压降对锂离子电池性能至关重要，同时也是电池电学建模的关键指标。普通等效电路模型(ECMs)虽广泛用于此目的，但在低温区域进行电压降预测时缺乏准确性。近年来，以神经网络或混合模型形式呈现的基于人工智能的模拟方法已获得广泛关注。尽管此类方法在中温条件下展现出良好的准确性，但在低于0 °C的高度动态负载下的模型性能在很大程度上仍属未知，特别是其在高能量LFP电池预测方面的潜力尚未被探索。因此，本研究独辟蹊径，聚焦于一种自主开发的、基于人工智能的高能量LFP电池模型预测能力。研究人员为此选择了一种混合型、基于AI的方法，采用双向长短期记忆(BiLSTM)网络模型替代普通等效电路模型(ECM)中的电阻和电容元件。该纯数据驱动的BiLSTM模型的功能是预测负载下的电池电压降。BiLSTM模型是一个高度自动化工作流程的输出，该流程基于代理驱动进程，同样为研究人员自主开发。该流程始于实验数据的处理，随后将其用于神经网络模型的训练。BiLSTM训练完成后，针对完全未知的实验数据集进行验证。该模型在不同温度、电压水平和电流特性下均成功证明了其高预测精度。通过与包含简单R0元件的普通ECM的结果比较，进一步凸显了该基于AI模型的优越性。
锂离子电池（lithium-ion battery）的电学性能模拟是电池管理系统设计与优化的关键环节，其中动态负载下的电压降（voltage drop）预测对于评估电池的功率能力、续航表现及安全边界至关重要。传统方法常采用等效电路模型（equivalent electrical circuit models, ECMs），即通过电阻（R0）及电阻-电容（resistance-capacitance, RC）元件组合来描述电压降行为。然而，ECMs的精度在低温区域受到严峻挑战。磷酸铁锂（Lithium Iron Phosphate, LFP）电池因其高安全性、长循环寿命和成本优势，在电动汽车与储能领域应用日益广泛，但低温下的强非线性和时变特性对建模提出了更高要求。尤其是在-25 °C或更低温度、结合高动态负载工况（如脉冲与快速变载），现有ECMs的预测精度显著退化。此外，ECMs的RC元件参数拟合过程高度依赖繁复的实验与拟合耗时。近年来，基于人工神经网络的纯数据驱动模型以及融合物理知识的混合模型（hybrid models）逐渐兴起。尽管这些模型在中温区获得了积极成果，但其应对高能量LFP电芯在零下温度、动态工况下的预测能力却未被系统研究。因此，本文的研究目标正在于填补这一空白，探索一种自主研发的、基于人工智能的BiLSTM神经网络模型，用以替代ECM中的阻容性R0/RC元件，从而在超高动态和极低温（至-25 °C）条件下，快速且高精度地预测高能量LFP电池的电压降。
研究人员针对一个额定容量为156 Ah、面向汽车应用的高能量LFP电池单体（Device under Test, DUT）开展了系统研究。试验在温度可达-25 °C的环境舱内进行，采用标准化测试流程设计涵盖若干环境温度与SOC水平的测试矩阵，并以三种相同规格的DUT进行重复验证以确保统计一致性。关键实验数据通过多步自动化工作流处理并生成训练集。研究中构建了一种纯数据驱动的BiLSTM神经网络模型，并将其嵌入普通ECM架构以替换原模型中的R0和RC元件，形成混合模型用于预测端电压。建模过程中，研究人员开发了一种基于代理式流程的高度自动化工作流，执行数据预处理、特征选择（温度、SOC、OCV与电流）、模型构建、贝叶斯超参数搜索（hybrid model）及模型训练。模型验证依托与训练数据完全不同的新型实验电流剖面，分别于多种环境温度和电压水平下进行动态与高动态电流加载测试。通过与仅含R0元件的传统ECM对比，评估该AI模型的电压降预测效果。该自动化流程运行于13代Intel? Core? i7-13800H CPU平台，保证模型可快速输出，实现了约70倍于传统ECM参数拟合的时间节省优势。
研究结果表明，所开发的BiLSTM混合模型在-25 °C至+25 °C的宽温域、多种电压水平与电流剖面（脉冲、动态及高动态）下，均能够准确捕捉实验测定的电压降瞬态行为，且在“未见”的独立验证集上保持高泛化性能。具体而言，在+25 °C温和条件下，AI模型对MSE下降达64.3%，MAE下降达41.9%；而在-25 °C极端条件下，MSE下降低至92.6%，MAE下调至70.0%，R2-score提升达+1.422。与传统ECM相比，BiLSTM在几乎所有操作区的精度均有压倒性优势，唯一例外是在+25 °C脉冲电流映射下的简单R0模型引力稍优。底层分析，在温和区内模型训练收敛良好，且时间序列预测结果稳定，误差低。然而，QQ-Plot呈现明显的尖峰（leptokurtic）特性，表明模型在极值预测上存在不足——对极端事件参数表现为偏高或偏低。此外，自相关分析显示，用于训练的主要引变量（电流）缺乏自相关，即无时间记忆性，这正是超参数调优中时间步长（timestep）被确定为1的原因，同时也对BiLSTM模型的深度特征发挥造成制约。相较之下，传统ECM中的简单R0随温度降低呈显著的电压低估偏差，凸显了非线性元件在低温动态条件下适配的不足。
讨论部分指出，所提出的AI混合模型首次在高能量LFP电芯、-25 °C这种极富挑战性的工况下验证了纯数据驱动模型的适用性，这比现有文献中任何基于神经网络的研究都走得更远。作为半定量参照，可对比同于-20 °C的动态电流工况、LFP 166 Ah电芯上复杂双RC模型的预测结果（MSE下限为0.0063 V2）。相比之下，本文提出的BiLSTM模型在-25 °C时，对高度动态和动态剖面的MSE分别为0.0009 V2和0.0006 V2，在该类场景中更优，仅略低于电化学机理模型的0.00051 V2，同时免除了对电芯内部结构和明晰物理知识的需求。模型的不足之处主要集中在极端值预测上的系统性偏差，原因可部分归结为无法捕获所有非线性交互、过拟合风险，以及训练数据缺少时序相关性。未来可从优化网络结构、处理离群点、增强正则化（如提高正则化系数λ或丢弃率dropout）、以及扩展至其他电池化学体系来增强模型的普适性。
总之，本研究成功建立并验证了一种可输出的基于BiLSTM的AI混合模拟方法，较好地解决了低温和动态工况下高能量的LFP电池电压降预测精度不足的瓶颈问题。通过定制的自动化工作流，与传统ECM参数拟合相比实现了超过50倍计算耗时节省（时间节省约70倍），并证明了AI模型深度融合ECM框架的有效性。对未来实现更安全高效的电池系统运营提供了坚实的建模基础，拓宽了高能量系统的运行窗口，为高压、安全、耐久的高能量存储系统的推广与普及奠定了基础。
