我们今天面临的最大挑战之一是高温室气体排放以及全球变暖和气候变化的加剧。全球二氧化碳排放的主要来源是交通运输行业。为了减少排放并实现气候目标,人们采取了电动化的方法,从而推动了电动汽车的使用[1],[2]。
电动汽车和固定式储能系统的广泛采用主要归功于锂离子电池,因为它们具有高能量密度、长循环寿命和高效率[3],[4]。电极材料、电解质和制造工艺的持续改进进一步提高了它们的性能和可靠性。
尽管有这些优势,但由于内部老化机制(如固态电解质界面(SEI)的生长、锂沉积和颗粒裂纹),锂离子电池的健康状况退化仍然是一个重大问题,这些问题通常发生在高循环速率和恶劣环境条件下[5],[6],[7]。这些机制会导致容量衰减、功率衰减以及潜在的安全风险。因此,电池管理系统对电池健康状况的准确估计对于安全至关重要。
健康状态(SOH)是用于量化电池健康状况的指标,它表示电池性能与其初始状态的变化。SOH由两个单独的指标组成:第一个是健康状态容量(SOHC),即基于容量的指标,用于衡量容量与初始容量的偏差;第二个是健康状态电阻(SOHR),即基于电阻的指标,通过内部电阻的增长和相关功率衰减来衡量[8],[9],[10]。这些指标在工业中被广泛用于评估整体电池性能。
然而,基于容量或电阻测量的直接SOH估计方法存在若干局限性。由于容量和电阻的值受温度和充电状态的影响,并且传感器的精度有限,随着时间的推移误差会累积,导致实际应用中的估计误差[11],[12]。
为了克服这些局限性,人们采用了基于滤波器的方法。例如,Liu等人[13]使用等效电路模型和遗忘因子递归最小二乘(FFRLS)算法进行在线参数估计,并进一步利用自适应无迹卡尔曼滤波器(AUKF)通过电池的内部电阻增长来估计SOH;Zhang等人[14]提出了一种基于阻抗的SOH估计方法,使用EIS数据和无迹卡尔曼滤波器。
电化学模型最早由Doyle、Fuller和Newman在1994年提出,他们提出了DFN模型或伪二维(P2D)模型,该模型使用耦合偏微分方程来模拟锂的传输和电化学反应[15]。在后续研究中,他们扩展了DFN模型以纳入老化机制,如SEI生长、锂沉积和颗粒裂纹[16],[17],[18]。Bizeray等人[19]使用正交配置法和扩展卡尔曼滤波器(EKF)从错误的初始条件恢复内部状态。这些模型具有较高的准确性,但计算成本较高,并且需要多种难以确定的电化学参数。此外,还提出了简化阶数的单颗粒模型(SPMs),其中考虑了电解质和固态电解质界面(SEI)及锂沉积等老化机制[20],[21]。虽然这些方法在准确性上有所提高,但其准确性主要取决于模型的质量和参数的准确性,而这些在电池使用寿命期间很难准确确定[22]。
随着电池使用时间的延长,我们现在拥有了更多的电池老化数据。基于数据的SOH估计方法变得流行起来。在这种方法中,电池被视为一个黑盒,使用机器学习算法来映射输入输出数据。Cai等人[23]从充电电流和电压数据中提取特征,通过高斯过程回归来估计电池健康状态(SOH)。Sedlarik等人[24]比较了使用内部电阻、电压滞后和基于容量的指标等特征的各种技术(支持向量回归(SVR)、随机森林)来估计锂离子电池的SOH。随着深度学习的发展,出现了能够捕捉更复杂依赖关系的架构。Jiang等人[25]引入了循环-卷积网络(RNN),结合了长短期神经网络(LSTM)来模拟电压和电流序列的时间依赖性,并使用卷积神经网络(CNN)从电压曲线中提取空间模式以估计SOH。Zhao等人[26]使用部分电压和容量曲线作为输入到2D CNN中,提取局部特征,并通过多头自注意力层捕捉所有循环中的长期依赖性,然后应用迁移学习来预测SOH。最近,Shekar等人[27]使用了来自实际飞行循环数据的时间相关特征(电压、电流、温度),并比较了不同的神经网络(LSTM、门控循环神经网络(GRU)、时间卷积网络(TCN)和神经常微分方程(Neural ODE),强调了连续时间模型的潜力。
然而,在实际应用中,所有这些模型在循环速率变化或循环信息缺失的情况下表现不佳,通常在某些实际条件下可能无法获得完整的充电数据,数据采样率也不规则,数据缺口可能超过数十个循环,类似于本研究中使用的数据集。在这种情况下,仅在离散时间模型上表现较好的传统RNN往往无法准确预测SOH[28],[29]。标准的离散循环神经网络本质上假设序列元素之间的时间步长是均匀的(Δ t = 常数 )。当结构化数据缺失时,RNN的隐藏状态会与真实的时间动态不一致,它将突然的时间跳跃(即缺失的循环段)视为单个序列步骤,导致退化严重低估和数据恢复时的误差激增[30]。
为了克服纯数据驱动的黑盒模型的局限性,最近的研究引入了物理增强型神经网络(PINNs)用于电池预测[31]。通常,PINNs通过将偏微分方程(PDE)残差惩罚添加到神经网络损失函数中来纳入物理约束。虽然非常有效,但优化这些复杂的多目标损失函数往往会导致梯度过硬和计算成本高昂,使得在资源受限的电池管理系统(BMS)中难以部署。因此,仍需要一个计算成本较低的框架,能够在不依赖复杂损失函数优化的情况下保证物理一致性。
为了解决这些挑战,本文提出了一种物理增强型神经控制微分方程(PA-NCDE)框架,用于在不规则和缺失循环数据下的SOH预测。使用简化阶数的电化学模型来推导退化指标,并将其作为模型的特征。此外,还添加了一个单调退化约束以确保物理一致性。
本文的主要贡献如下:
• 一种简化阶数的电化学特征提取框架,用于推导与锂沉积、电化学应力和SEI生长相关的退化指标。
• 一种基于神经控制微分方程的连续时间SOH预测模型,用于处理缺失数据。
• 一个单调的SOH预测约束,以确保SOH预测的稳健性。
本文的结构如下:第2节描述了数据集和实验协议;第3节详细介绍了所提出的方法;第4节介绍了基线模型和评估指标;第5节讨论了实验结果;第6节总结了本文。