基于灰狼优化器优化的自适应权重物理信息神经网络用于锂离子电池健康状态估计

《Batteries》:An Adaptive-Weight Physics-Informed Neural Network Optimized by Grey Wolf Optimizer for Lithium-Ion Battery State of Health Estimation Runtong Wang, Jiakang Shen, Shupeng Liu and Hailin Rong

【字体: 大 中 小 】 时间:2026年03月28日 来源:Batteries 4.8

编辑推荐:

  锂离子电池健康状态(State of Health, SOH)的可靠估计对电池系统的安全性和可靠性至关重要。然而,现有的物理信息神经网络(Physics-Informed Neural Networks, PINNs)存在单特征物理约束、多特征约束的刚性固定权

  
锂离子电池健康状态(State of Health, SOH)的可靠估计对电池系统的安全性和可靠性至关重要。然而,现有的物理信息神经网络(Physics-Informed Neural Networks, PINNs)存在单特征物理约束、多特征约束的刚性固定权重融合以及时间序列退化建模不足等缺陷。为解决这些问题,本研究提出了一种由灰狼优化器(Grey Wolf Optimizer, GWO)算法优化的自适应权重物理信息神经网络(Adaptive-Weight PINN, AW-PINN),该网络采用双长短期记忆(dual-LSTM)并行结构,并以增量容量峰值和充电容量作为双重物理约束。一个权重生成器长短期记忆(weight generator LSTM)无需人工干预即可自适应学习单调性损失的权重,而GWO算法则全局优化物理损失权重,以平衡数据拟合精度与预测的物理一致性。通过在来自先进生命周期工程中心(CALCE)和同济大学数据集的LiCoO2、NCA和NCM电池上进行的对比实验、消融实验和小样本实验验证,AW-PINN展现出优越的预测性能(平均均方根误差RMSE = 0.0076;平均绝对误差MAE = 0.0065;平均绝对百分比误差MAPE = 0.0072)、鲁棒性和泛化能力。该方法将电池退化物理机制与深度学习相结合,在保持强大拟合能力的同时,实现了物理可解释性。
**论文解读:基于灰狼优化器优化的自适应权重物理信息神经网络用于锂离子电池健康状态估计**

**研究背景与问题**

锂离子电池在新兴能源领域(如电动汽车和储能电站)中广泛应用。随着充放电循环进行,电池逐步老化,当其性能下降到一定程度后不再适用于关键场景。健康状态(State of Health, SOH)是表征电池健康程度的核心指标,准确评估SOH对保障电池系统稳定运行、降低维护成本和避免热失控等安全事故至关重要。现有SOH估计方法主要分为机理方法和数据驱动方法。机理方法基于电池经验公式或电化学模型,通过电流、电压、温度等实时数据计算SOH,但面对耦合的多机理退化过程难以完全精确表征,且对电化学知识要求高、适应性不足。数据驱动方法(包括传统机器学习和深度学习)通过挖掘历史数据模式实现估计,但传统机器学习依赖特征工程和数据质量,深度学习则因“黑箱”特性导致可解释性差,可能产生违背电池退化机理的不合理预测。物理信息神经网络(Physics-Informed Neural Networks, PINNs)作为数据驱动与物理机理的融合手段,通过物理损失项约束预测结果的合理性,但现有PINN在电池SOH估计中仍存在局限:单一特征物理约束、多特征约束的刚性固定权重融合、时间序列网络应用不足,以及缺乏优化算法来动态调整全局物理损失权重。

**研究内容与意义**

为解决上述问题,研究人员提出了一种基于灰狼优化器(Grey Wolf Optimizer, GWO)优化的自适应权重物理信息神经网络(Adaptive-Weight PINN, AW-PINN)。该模型突破单特征约束限制,选择与SOH具有显著单调相关性的增量容量(Incremental Capacity, IC)峰值和充电容量作为双重物理约束,更全面地捕捉电池活性物质损失与锂离子消耗的动态耦合退化特性。同时设计了双长短期记忆(dual-LSTM)并行架构:其中“SOH预测器LSTM”负责输出估计SOH值,“权重生成器LSTM”无需人工干预即可自适应学习两个物理特征单调性损失的权重,解决了固定权重融合导致的约束不平衡问题。此外,引入GWO算法对全局物理损失权重进行全局优化,有效平衡数据拟合精度与预测结果的物理一致性。在来自先进生命周期工程中心(CALCE)和同济大学的LiCoO2、NCA和NCM系列共16块电池上,通过对比实验、消融实验和小样本实验验证,AW-PINN展现出优越的预测性能(平均RMSE=0.0076,MAE=0.0065,MAPE=0.0072),具有强鲁棒性和泛化能力。该模型将电池退化物理机制与数据驱动深度学习有机融合,既保留了深度学习对时间序列数据的强大拟合能力,又通过物理约束赋予了模型清晰的物理可解释性。论文发表在《Batteries》。

**关键技术方法概述**

研究人员采用的主要关键技术方法包括:(1)增量容量分析(Incremental Capacity Analysis, ICA),通过电压-容量曲线转换得到IC曲线,提取IC峰值作为物理约束特征之一;(2)固定电压区间充电容量提取,在[截止电压-0.4V, 截止电压-0.2V]区间内计算充电容量和电压斜率;(3)双LSTM并行网络架构,包含SOH预测器LSTM和权重生成器LSTM,前者用于预测SOH值,后者自适应学习两个物理约束的单调性损失权重;(4)灰狼优化器(GWO)算法,以验证集均方误差(MSE)为适应度值,全局优化全局物理损失权重??,最终确定最优值0.12;(5)数据预处理,包括异常点剔除、高斯滤波平滑(sigma=1)以及归一化处理。数据集来源为CALCE(包含CS2和CX2系列电池)和同济大学(TJU,包含NCA和NCM系列电池),共16块电池。

**研究结果**

**4.1 模型验证** 通过与六种模型(前馈神经网络FNN、卷积神经网络CNN、门控循环单元GRU、长短期记忆网络LSTM、Transformer和Transformer-LSTM)对比,在每种电池上以1:1划分训练集和测试集,使用均方根误差(Root Mean Squared Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)和平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)三个指标评估。结果显示AW-PINN在大多数电池和指标上取得最小值,综合表现优于所有对比模型。例如在CS_36电池上,LSTM的RMSE为0.0126,而AW-PINN仅为0.0079,准确率提升超过37%。AW-PINN在NCA和NCM系列电池上也一致优于LSTM。通过计算95%置信区间(CIs),AW-PINN的CIs范围最窄(CS_CX组RMSE为[0.0070,0.0092];NCA_NCM组RMSE为[0.0040,0.0108]),表明预测性能高度稳定且一致,证实了强鲁棒性和跨电池泛化能力。这说明引入物理信息不仅提升精度,还增强了可靠性和可解释性。

**4.2 消融研究** 为验证LSTM结构、物理信息融合和GWO权重优化的有效性,在FNN、LSTM、无GWO的AW-PINN(全局物理损失权重取默认值1)和AW-PINN-GWO(优化权重0.12)四模型上进行实验。结果表明,无GWO的AW-PINN相比LSTM平均性能提升33.8%,而AW-PINN-GWO进一步比无GWO版本再提升4.1个百分点。CX_38电池的预测曲线和误差分布图显示,AW-PINN-GWO的预测曲线与真实曲线重合度最高,误差分布最集中。证实物理信息融合有效减少预测偏差,GWO优化策略进一步平衡了物理约束强度与数据拟合精度。

**4.3 小样本验证** 将训练-测试集划分比例从5:5逐步降至2:8,模拟小样本场景。比较FNN、LSTM、LSTM-Transformer和AW-PINN不同比例下的表现。所有比例下AW-PINN的RMSE、MAE和MAPE均为最低。在2:8极低样本比例下,AW-PINN的预测曲线未出现显著偏差,误差仍低于同场景下多数传统数据驱动模型。该优势归因于物理信息融合模块嵌入的单调退化机制为小样本提供了关键先验知识支持,充分验证了AW-PINN在小样本场景下的强鲁棒性和泛化能力。

**讨论与结论**

论文讨论部分指出,所提出的AW-PINN模型通过双LSTM PINN架构和GWO优化,成功突破现有PINN在电池SOH估计中的多项局限。模型将电池退化物理机制与深度学习有机结合,确保预测结果不仅数据准确且符合物理规律。然而,与其他PINN模型类似,AW-PINN对电池充电数据质量较敏感,极端情况可能导致预测轻微偏离电化学规律;环境条件变化时物理规律影响程度可能微调,对复杂实际工况下的跨场景泛化性能构成挑战。未来研究将纳入动态负载和极端温度条件下的电池数据,优化模型结构以增强对复杂工况的适应性,并探索集成更多电池退化机理特征和多尺度物理约束以进一步提升可解释性和预测性能。

**研究结论部分翻译**:本研究提出的AW-PINN模型创新性地设计了一种双LSTM PINN网络。它选择与SOH具有显著单调相关性的IC峰值和充电容量作为双重物理约束特征,突破了单特征物理约束的限制,全面捕捉了电池活性物质损失和锂离子消耗的动态耦合退化特性。权重生成器LSTM分支无需人工干预即可自适应学习两个物理特征单调性损失的权重,解决了传统模型固定权重融合导致的约束不平衡问题。在此基础上,引入GWO算法全局优化物理损失权重,有效平衡了数据拟合精度与预测结果的物理一致性,进一步提升了模型的泛化能力和稳定性。在CALCE和TJU数据集的各种电池上验证了模型的有效性和优越性。该模型实现了电池退化物理机制与数据驱动深度学习的有机融合,既保留了深度学习对时间序列数据的强大拟合能力,又通过物理约束赋予了模型清晰的物理可解释性。总之,该模型具有预测精度高、鲁棒性强和泛化能力好的特点。
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