iTransPASOH:一种用于锂离子电池健康状态估计的物理感知iTransformer框架

《Knowledge-Based Systems》:iTransPASOH: A Physics-aware iTransformer Framework for Lithium-ion Battery State-of-health Estimation

【字体: 大 中 小 】 时间:2026年03月17日 来源:Knowledge-Based Systems 8.0

编辑推荐:

  摘要:锂离子电池在充放电过程中的安全问题具有重要意义。因此,作为电池管理系统(BMS)中的一个关键指标,健康状态(SOH)估计对于电池安全控制、退化优化和精确剩余寿命预测至关重要。研究人员提出了几种测量健康状态的方法,包括直接测量方法和软测量方法,例如第一性原

  
摘要:锂离子电池在充放电过程中的安全问题具有重要意义。因此,作为电池管理系统(BMS)中的一个关键指标,健康状态(SOH)估计对于电池安全控制、退化优化和精确剩余寿命预测至关重要。研究人员提出了几种测量健康状态的方法,包括直接测量方法和软测量方法,例如第一性原理建模和数据驱动方法。然而,这些方法在应用中存在显著局限性。混合方法虽然利用了两种方法的优势,但仍然面临灵活性不足、架构设计层面可解释性缺乏、对数据过度依赖以及鲁棒性问题等限制。为了解决这些问题,研究人员提出了一种趋势捕获物理感知优化方法,与iTransformer结合以捕捉健康状态退化的时间模式。然后,为了动态描述健康状态退化的偏微分方程(PDE),研究人员从理论上将日历和循环老化(CCA)模型推导为广义偏微分方程形式以提供可解释性,并分别输入多元特征(从每个充电周期提取的横截面特征)和时间序列特征(跨多个周期的时间模式)以增强鲁棒性。接着,研究人员利用偏微分方程建模的数值输出构建了一个偏微分方程损失项,以物理方式指导物理信息神经网络(PINN)的优化。最后,在四个基准数据集(XJTU、HUST、MIT、TJU)上的全面实验验证表明,与最先进的方法相比,iTransPASOH实现了平均绝对百分比误差(MAPE)平均提升20.942%,在95%置信水平下具有统计显著性,同时在噪声条件下仅保持16.7%的性能下降,且在实际部署中每个样本的推理时间为6.4毫秒。
**论文解读**

**一、研究背景与问题**
为了更好适应《联合国巴黎协定》中概述的2050年净零排放承诺,多个国家和领先企业已采取必要的监管行动以大幅减少全球温室气体排放。锂离子电池作为未来清洁能源存储的主要技术之一,经历了快速发展以有效替代传统能源。目前,锂离子电池因其轻量化设计、高能量密度和长寿命等优越特性,广泛应用于工业设备、航空航天、汽车和消费电子等领域。然而,充放电过程中固有的化学反应带来了安全隐患。因此,电池管理系统(BMS)已成为一个重要的研究重点,旨在优化和控制运行期间的温度和电压,使其保持在安全范围内。在BMS中,锂离子电池的健康状态(SOH)估计尤为关键,因为它能提供准确的容量评估和电池健康状况的洞察。

近期研究探索了多种健康状态估计方法。这些方法的高层思想可归纳为两类:直接测量方法(如内阻、阻抗谱)和间接测量方法,后者包括第一性原理模型(如电路模型、电化学模型、数学模型)、数据驱动建模(如深度学习、高斯过程回归、支持向量机)以及结合物理知识与机器学习的混合方法。在这些方法中,随着端到端建模和数字孪生技术的发展,直接测量方法已不太适用于健康状态估计。在间接测量方面,虽然第一性原理模型为工业生产提供了可解释性和可靠性,但它们常常面临无法捕捉所有细节、模型复杂、缺乏灵活性以及对复杂工业环境中分布偏移问题适应性弱等问题。随着深度学习和计算能力的发展,数据驱动方法不断演进。然而,由于神经网络的“黑箱”特性,在构建可解释、鲁棒且准确的模型方面仍存在挑战。为了解决这些问题,混合方法结合了第一性原理和数据驱动模型的优势。物理信息神经网络(PINN)已成为混合方法中一个有前景的范式,其中PINN4SOH代表了当前最先进的技术。然而,现有实现面临显著局限性,包括在噪声条件下鲁棒性弱、由于“黑箱”偏微分方程公式导致的可解释性挑战,以及物理约束与数据驱动约束冲突导致的训练收敛问题。

**二、研究内容与方法**
为解决上述挑战,研究人员提出了iTransPASOH(用于健康状态估计的iTransformer物理感知神经网络),这是一个旨在解决时间模式捕捉、动态电池退化建模和物理引导优化的框架。该模型通过将机器学习与基于物理的建模技术相结合,增强了鲁棒性、灵活性和可解释性。论文的主要贡献包括:
1. **双阶段并行数据处理**:将锂离子电池老化退化的先验物理原理、统计计算和时间序列设置整合到一个统一的处理框架中。与依赖多元相关性的纯特征提取方法不同,该方法通过对跨变量特征和时间序列特征的并行处理,为锂离子电池健康状态退化提供了多样化的学习表示。
2. **新颖的趋势对齐软物理约束**:开发了一种使用iTransformer架构的新型软约束方法,它对齐了预测序列与实际序列之间的总体退化趋势。这克服了由于在容量恢复效应期间强制严格单调性而导致的训练发散关键问题,同时通过有界的趋势一致性而非严格的数值约束来保持基本的电池物理特性。
3. **首次建立CCA建模与PINN的理论联系**:据研究人员所知,这是首次建立连接日历和循环老化(CCA)建模与物理信息神经网络的理论推导。研究人员提供了从原始CCA公式到广义偏微分方程形式的完整数学推导,然后将其用于损失函数,使神经网络训练具备物理信息。
4. **集成的物理引导时间优化**:通过物理引导优化将时间模式捕捉集成到动态偏微分方程建模中,其中多元输出和时间模式与经过验证的收敛稳定性相结合,以确保鲁棒和泛化的健康状态退化模式估计。
5. **具有优越性能的全面实验验证**:通过在四个基准数据集(XJTU、HUST、MIT、TJU)上的大量实验,iTransPASOH相比于最先进方法实现了平均绝对百分比误差(MAPE)平均提升20.942%,决定系数(R-squared)提升2.401%,相对平方误差(RSE)降低17.754%,相关系数(CORR)提升0.849%。通过Diebold-Mariano检验的统计显著性测试证实了在95%置信水平下具有优越的预测准确性。鲁棒性实验表明,在高斯噪声条件下,与PINN4SOH的131.5%性能恶化相比,iTransPASOH仅出现16.7%的性能下降。跨8个批次的交叉验证分析显示了一致的性能和降低的方差,而计算复杂度分析证实了每个样本6.4毫秒的实际推理时间,验证了该框架在实际电池管理系统中部署的可行性。

**三、关键技术方法**
为开展研究,研究人员主要采用了以下关键技术方法:
1. **双阶段并行数据处理模块**:从原始电池循环数据中提取两类互补特征。对于多元特征,从恒流充电、恒压充电和恒流放电阶段计算统计特征(如均值、标准差、峰度、偏度、充电时间、累积电荷、曲线斜率和曲线熵)。对于时间序列特征,采用动态滑动窗口处理生成时间子序列,以捕捉退化过程中的时间依赖性。
2. **基于iTransformer的时间模式提取**:利用iTransformer架构处理时间序列数据,其创新之处在于将每个时间序列的变量独立嵌入为一个时间序列标记,通过注意力机制同时捕捉时间模式和跨变量相关性,以解决对跨变量相关性过度依赖的问题。
3. **趋势对齐软物理约束设计**:提出了一种新颖的趋势对齐软物理损失函数,用于替代传统的严格单调性约束。该损失函数通过比较预测序列和真实序列的趋势符号(使用符号函数),鼓励模型学习总体退化趋势,同时允许电池容量恢复等非单调行为,从而避免了训练发散问题。
4. **动态偏微分方程建模与物理信息神经网络**:首次从理论上将日历和循环老化(CCA)模型推导为广义偏微分方程(PDE)形式,为模型提供了架构层面的可解释性。构建了一个双流计算架构,包括主编码器-解码器网络和基于iTransformer的时间模式提取块。利用自动微分和有限差分计算偏导数,构建了包含数据损失和偏微分方程损失的物理信息损失函数,通过物理引导优化确保预测符合电化学退化动力学。

**四、研究结果**
研究人员在四个公开的锂离子电池数据集(XJTU、HUST、MIT、TJU)上进行了全面的实验验证,并与多种先进模型(包括LSTM、GRU、iTransformer、Crossformer、DLinear、PINN4SOH)进行了比较。主要研究结果如下:

* **性能比较**:iTransPASOH在大多数情况下,在平均绝对百分比误差(MAPE)、决定系数(R2)、相对平方误差(RSE)和相关系数(CORR)四个指标上取得了最优或次优的结果。与之前的最佳结果相比,iTransPASOH的MAPE平均降低了20.942%,R2平均提升了2.401%,RSE平均降低了17.754%,CORR平均提升了0.849%。Diebold-Mariano统计显著性检验在95%置信水平上证实了iTransPASOH预测准确性的优越性。
* **残差分析**:iTransPASOH的预测残差在所有四个数据集的残差图中都随机散布在0附近,没有明显的系统模式,且残差幅度控制在较小范围内,验证了其预测的稳定性和优越性。
* **稳定性分析**:通过小提琴图对十次实验的可视化显示,iTransPASOH在四个数据集上整体上具有最小的箱体,并取得了近乎最佳的性能,证明了其训练过程的稳定性。
* **交叉验证实验**:在HUST和XJTU数据集上进行的分层4折交叉验证实验表明,iTransPASOH在大多数批次上始终优于基线方法,且具有统计显著性。其性能的标准差表明,该方法不仅实现了更优的平均性能,而且表现出更低的方差,表明在不同数据划分下具有更高的稳定性和可靠性。
* **计算复杂度分析**:iTransPASOH在平均每个样本6.4毫秒的推理时间内实现了最佳或接近最佳的准确性。尽管其参数量(967,214)远高于PINN4SOH(13,662),导致计算开销显著增加,但其推理时间对于工业电池管理系统中的实时监控应用仍然是可行的。研究人员还提出了GRUPASOH作为替代训练范式,用GRU模块替换iTransformer块,在牺牲少量精度的同时大幅降低了计算需求。
* **鲁棒性实验**:在高斯噪声条件下,iTransPASOH表现出显著优于PINN4SOH的噪声容忍度。iTransPASOH的MAPE平均仅恶化16.7%,而PINN4SOH则大幅恶化131.5%。类似优势也体现在RSE、R2和CORR指标上,验证了iTransPASOH在真实世界电池管理应用中的增强鲁棒性。
* **超参数分析与优化**:通过系统性的网格搜索和帕累托最优性分析,确定了关键架构超参数(如序列长度、损失权重学习率、偏微分方程网络深度等)的最佳配置。研究还表明,批大小(batch size)为32时达到最佳收敛性能,并且趋势对齐物理损失权重在较大范围内表现出鲁棒性。
* **消融研究**:通过对比不同模型变体(如标准MLP、基础PINN、GRU替换的PINN、无物理损失的变体以及完整模型),验证了iTransformer架构、趋势对齐物理损失和动态偏微分方程建模等各个组件对提升模型性能的重要性。完整模型在所有变体中表现最佳,显著优于纯数据驱动的MLP基线。

**五、讨论与结论**
论文的讨论部分总结了研究的主要发现和贡献,并指出了当前工作的局限性以及未来研究方向。

**研究结论**:本文通过将时间模式捕捉融入锂离子电池退化的动态偏微分方程建模,并引入一种新颖的趋势对齐物理损失以增强模型鲁棒性,提出了iTransPASOH框架。通过广泛的实验验证,所提出的iTransPASOH框架相比最先进方法展现出显著的性能提升。具体而言,在四个基准数据集(XJTU、TJU、HUST、MIT)上,与现有方法相比,iTransPASOH实现了平均绝对百分比误差(MAPE)降低20.9%,决定系数(R2)提升2.4%,相对平方误差(RSE)降低17.8%,相关系数(CORR)提升0.8%。鲁棒性分析进一步验证了该框架的优越性,在噪声条件下,iTransPASOH的平均绝对百分比误差(MAPE)仅表现出16.7%的平均性能下降,而PINN4SOH则大幅恶化131.5%。在所有指标上都观察到了类似的鲁棒性优势,相对平方误差(RSE)下降分别为13.3%对比103.0%,决定系数(R2)和相关系数(CORR)的变化也极小(分别为-0.8%对比-67.4%和-0.3%对比-6.8%)。研究人员的主要理论贡献在于首次建立了连接日历和循环老化(CCA)建模与物理信息神经网络(PINN)的数学推导,为广义偏微分方程(PDE)公式提供了严格的基础。该理论框架通过清晰地证明设计选择的合理性(例如,为什么特定的偏微分方程项能捕捉关键的退化机制,双流计算架构如何与电化学原理保持一致,以及整合时间和物理信息建模的物理原理),从而提供了架构层面的可解释性。所提出的双阶段并行处理框架和趋势对齐软约束解决了现有混合方法中的关键限制,在保持理论依据的同时实现了更高的准确性。

然而,研究人员承认当前工作存在局限性。虽然该框架通过其理论基础提供了显著的架构可解释性,但由于学习表示固有的“黑箱”特性,在神经网络层面仍存在挑战。尽管动态F网络用于建模锂离子电池退化,但仍缺乏与电化学原理的明确映射。虽然混合方法在受控研究环境中表现出高准确性,但大多数研究尚未在具有真实世界数据变异性的实际生产环境中验证其可靠性。神经网络层面的可解释性挑战仍然是基于深度学习的电池管理方法中的一个重大限制。未来的研究应侧重于开发模型特定的可解释性技术(例如层间相关性传播),以在学习表示和电化学原理之间建立更清晰的联系,同时解决参数校准控制问题,并将领域知识集成到神经算子中,以实现更鲁棒和可泛化的电池管理系统。
相关新闻
生物通微信公众号
微信
新浪微博

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