具有等效电路模型约束的可微分物理信息神经网络,用于锂离子电池参数识别

《Journal of Energy Storage》:Differentiable physics information neural network with equivalent circuit model constraints for lithium-ion battery parameter identification

【字体: 大 中 小 】 时间:2026年03月20日 来源:Journal of Energy Storage 9.8

编辑推荐:

  本文提出一种基于可微分物理信息神经网络(DPINN)的电池模型,结合等效电路模型(ECM)和深度学习,通过终端电压数据训练,无需标签即可实现电压预测和电池参数识别。实验表明,采用二阶RC模型的DPINN在电压预测误差(MAE<3mV)和参数识别精度上均优于其他模型,验证了其物理一致性和高效性。

  
王环环|赵慧勇
湖北汽车工业技术学院汽车工程学院,十堰,442002,中国

摘要

为了解决现有数据驱动电池模型在物理一致性和SOC(状态容量)无关行为方面的局限性,本文提出了一种可微分的物理信息神经网络(DPINN)框架,该框架将等效电路模型(ECM)嵌入为完全可微分的物理层。这种架构能够仅通过端电压测量进行端到端训练,从而实现电压预测和内部电池参数的同步识别,而无需参数标签。使用混合脉冲功率特性(HPPC)测试数据,评估了三种ECM结构——Rint、一阶电阻-电容(1RC)和二阶电阻-电容(2RC)——以及两种归一化/反归一化策略:Z-分数动态归一化和物理尺度投影。此外,还比较了两种参数网络输入方案:依赖于状态容量(SOC)和依赖于SOC电流(SOC-I)的方案。实验结果表明,依赖于SOC的2RC-DPINN结合物理尺度投影的性能最佳,其电压预测平均绝对误差(MAE)低于3 mV,与1RC-DPINN、Rint-DPINN和长短期记忆(LSTM)模型相比分别降低了8.51%、42.59%和94.22%。在依赖于SOC-I的配置中,2RC-DPINN的MAE进一步降低了2.23%和74.25%。这些结果表明,所提出的框架能够在无标签条件下实现高精度的端电压预测和物理一致的参数识别,欧姆电阻和开路电压通过与HPPC参考测量的定量验证。

引言

锂离子电池是现代清洁能源系统的核心储能组件,对其健康状况和运行状态的准确管理对于电动汽车和大规模储能设施的安全性和可靠性至关重要[1]、[2]。电池管理系统(BMS)负责高效利用能源和安全控制,其中实时和高精度的端电压预测以及内部参数的在线识别为高精度状态估计(例如状态容量(SOC)和健康状态(SOH))、故障诊断以及均衡策略的优化提供了基础。从这个过程中获得的可靠物理状态信息进一步被高级控制和能量管理算法利用,从而提高了整个系统的安全性和运行可靠性[3]、[4]。
为了实现这些目标,已经开发了三类主要的电池模型:等效电路模型(ECMs)[5]、电化学模型[6]和数据驱动模型[7]。由于结构简单和计算成本低,ECMs已成为工程BMS应用的主流选择。典型的方法包括在特定运行条件下的离线参数优化(例如,使用HPPC和新的欧洲驾驶循环(NEDC)测试)[8],以及在线自适应估计方法,如带有遗忘因子的递归最小二乘(RLS)、扩展卡尔曼滤波器(EKF)、自适应EKF(AEKF)和双EKF方案[9]、[10]。这些方法能够联合进行状态和参数估计,并且可以在嵌入式平台上稳定部署。然而,它们也面临几个挑战:离线优化在概念上简单,但需要在不同的温度、C率和老化条件下进行重复校准;在线优化可以在一个周期内以耦合方式更新状态和参数,但对先验知识、初始值、激励丰富度和噪声设置敏感,并且需要具有精心调整的超参数的专用估计模块。
电化学模型从机械角度描述了电极和电解质内的质量传输和反应过程。它们提供了高保真度、高度可解释的内部特性,因此非常适合于机制探索、性能极限分析、快速充电和高C率评估以及参数敏感性和可识别性研究[11]、[12]。近年来,降阶模型(例如单粒子模型(SPM)[13]和改进的参数化工作流程——结合电化学阻抗谱(EIS)、HPPC和恒电流间歇滴定技术(GITT)以及智能优化和基于敏感性的筛选和识别——大大降低了参数获取的难度。一些研究进一步纳入了双层电容和高率效应,并系统地评估了在1C-40C恒电流放电条件下数十个物理参数对端电压的敏感性[6]。尽管如此,电化学模型仍然面临实际障碍:参数数量众多、强非线性耦合以及数值求解和在线部署的高计算成本。
神经网络(NNs)具有强大的非线性逼近和自学习能力,理论上可以逼近任何复杂的连续函数(通用逼近定理)。基于这一原理的数据驱动模型——如长短期记忆(LSTM)、门控循环单元(GRU)、时间卷积网络(TCN)和Transformer架构及其与卡尔曼滤波器结合的变体——已经展示了强大的时间序列建模和非线性拟合性能。它们已成功应用于电压和温度预测、状态估计和寿命预测[12]、[14]。通过从大规模操作数据中学习,这些模型可以自动提取和表示内部状态和外部影响因素之间的高维非线性关系,从而减轻了详细机械建模的负担。然而,纯数据驱动的方法对数据质量和覆盖率非常敏感,在没有标签的情况下难以识别物理参数,并且通常可解释性和可验证性有限。
随着物理信息神经网络(PINNs)的出现,它们越来越多地应用于电池参数估计和模型开发。第一类工作将单粒子模型(SPM)、伪二维(P2D)模型和基于Fick扩散的偏微分方程(PDEs)以及SEI生长模型和OCV–SOC关系嵌入到PINN框架中,以构建替代电化学模型[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]。这些方法识别了关键的微观参数(例如正极锂扩散尺度因子、可用容量、锂库存),并重建了退化动态和OCV曲线,实现了SOC/SOH和内部状态的联合估计。第二类工作将非线性经验退化模型纳入损失作为可学习的物理项,或采用单调性约束、贝叶斯校准、生成对抗网络和注意力-KAN结构来平衡物理一致性和数据驱动的准确性,从而在小样本、多样化学成分和复杂条件下改进了SOH估计[25]、[26]、[27]、[28]、[29]。然而,这两种方法并没有明确解决ECM参数的预测问题,而这在车辆电池管理中是至关重要的。第三类方法采用等效电路模型(ECMs)作为物理先验,将其嵌入到LSTM/RNN/FNN架构或并行/串联PINN配置中,通过损失函数的组合将ECM输出与时间特征耦合起来,从而提高模型的可解释性[30]、[31]、[32]、[33]。然而,这些方法通常仅通过损失函数正则化将ECM物理特性作为软约束纳入,或者使用神经网络作为ECM参数的黑盒逼近器。因此,虽然它们提高了可解释性,但无法严格保证网络输出符合ECM的控制方程,而且学习到的参数-状态映射往往缺乏明确的物理结构。例如,输出的内部电阻和端电压通常在其趋势线周围表现出随机波动,使得参数动态的表达不够稳定和物理上合理。参考文献[34]提出了一种新的BattNN模型,该模型利用LSTM的递归特性来表征ECM,并根据SOC预测其一阶RC网络的内部电阻和OCV。在实验室设置中,其测量值与预测值的MAE和RMSE分别超过了0.036 V和0.045 V。不幸的是,这些文献没有明确展示OCV和SOC之间的预测关系,也没有展示一阶RC网络的内部电阻随SOC的变化曲线。
为了解决这些限制,本研究开发了一种可微分的物理信息神经网络(DPINN),它将ECMs作为硬物理约束,以实现从电压-电流时间序列数据端到端识别ECM参数。具体来说,利用关于ECM参数如何与状态变量(如温度和SOC)相关的先验知识,我们构建了几个独立的神经网络模型来输出ECM参数(例如欧姆电阻、RC支路的电阻和电容、开路电压等)。这些网络的输出直接输入到ECM前向模型中,然后将ECM预测的电压与测量电压进行比较,形成一个数据保真度项。这与平滑正则化项结合使用,产生用于反向传播的复合损失。关键的是,ECM的可微分前向模型参与反向传播,确保在物理约束下进行端到端学习,并通过明确的参数-状态关系保持可解释性。
本工作的主要贡献总结如下:
  • (1)
    将ECMs视为可微分的物理约束的DPINN框架,具有可微分的ECM前向模型参与反向传播,以实现从电压-电流时间序列端到端识别ECM参数,强化硬物理约束以提高准确性和可解释性。
  • (2)
    使用RMSE和MAT评估三种典型ECM(Rint、一阶RC、二阶RC)在不同输入方案(仅SOC和SOC-I)和两种反归一化策略(Z-分数动态归一化和物理尺度投影反归一化)下的鲁棒性和跨周期泛化能力。
  • (3)
    分析ECM参数随SOC的变化,提供关于开路电压和运行范围内内部电阻的机制洞察,并通过消融实验加强可解释性。
  • (4)
    采用代表性的分层采样方法大幅减少所需的训练数据量。
本文的其余部分组织如下。第2节描述了三种ECM结构、混合DPINN架构以及相关的归一化和反归一化方法。第3节介绍了数据来源、实验设置、预处理程序、评估指标和模型配置。第4节对不同模型的端电压预测进行了比较分析,并展示了参数识别结果。最后,第5节总结了研究发现并概述了未来工作的方向。

部分摘录

混合神经网络架构

为了实现锂离子电池内部参数的准确在线估计和端电压的精确预测,本文提出了一种基于ECMs的DPINN框架。整体架构在图1中示意性地展示。该模型创新地将数据驱动学习与物理先验知识相结合,包括以下三个核心组成部分:
  • (1)
    用于参数估计的神经网络:一个反向传播神经网络(BPNN)模块,从观测数据中学习
  • 实验设计

    基于实验室收集的数据,训练并验证了所提出的ECM约束DPINN框架,并将其端电压预测结果与纯数据驱动的LSTM模型的结果进行了比较。

    端电压预测结果

    在DPINN框架内,根据不同的ECM结构定义了三种模型变体:Rint-DPINN(基于Rint模型)、1RC-DPINN(基于一阶RC网络)和2RC-DPINN(基于二阶RC网络)。基于BPNN的参数估计子模型包括三个独立的网络:第一个以SOC为输入来预测OCV;第二个也使用SOC作为输入来估计欧姆电阻

    结论

    本文提出了一种基于ECM约束的DPINN框架,用于锂离子电池建模。通过将可微分的ECM嵌入网络作为物理层,该框架能够在仅电压的监督下进行端到端训练,并同时预测端电压和无标签的内部参数。
    使用室温HPPC数据,系统评估了具有Rint、一阶RC和二阶RC结构的DPINN模型,在两种输入设置(仅SOC和

    CRediT作者贡献声明

    王环环:撰写——原始草稿、可视化、验证、软件、方法论、数据管理。赵慧勇:撰写——审稿与编辑、监督、项目管理、方法论、概念化。

    写作过程中生成AI和AI辅助技术的声明

    作者仅使用AI辅助工具(例如Deepseek、GPT)进行英语语言的润色和措辞。这些工具没有用于生成科学内容、解释结果或得出结论。所有实质性的智力贡献、分析和手稿的最终责任仍归作者所有。

    资助

    本项工作未收到任何资助。

    利益冲突声明

    作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
    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