NEC锂电池产品分类
NEC锂电池基于物理信息神经网络的局部充电曲线实时电池健康监测
发布时间：2026-04-01 22:43:59 点击： 次
监测电池健康状况对保障设备安全高效运行至关重要。然而在评估速度与诊断深度之间——特别是在快速整体健康评估与内部退化状态的精确识别之间——存在固有的权衡关系。如何高效获取电池内部详细信息仍是一项重大挑战，而这些深层认知正是理解各类退化机制的关键所在。针对这一问题，我们开发了一种基于关键老化相关参数空间参数化的物理信息神经网络（P-PINNSPM）的单颗粒模型。该模型能精确预测电池内部变量在整个参数空间的变化，并在约30秒内完成内部参数识别——实现了47×相较于有限体积法实现了速度提升，同时保持了高精度。与未引入参数的模型相比，这些参数将电池健康状态（SOH）估算精度提高了至少60.61%。此外，它们能够外推至未观测的SOH状态水平，并支持在不同充电曲线和运行条件下的鲁棒性估算。我们的研究结果证明了物理信息机器学习在推进实时、数据高效且具有物理感知的电池管理系统方面具有巨大潜力。
引言
电池健康诊断由电池管理系统（BMS）负责执行，该系统通过监测关键参数来维持安全高效的运行。经验模型和等效电路模型因其计算效率优势，目前仍是BMS采用的主流算法[2]。然而这些方法仅能提供单体电池层面的信息（如荷电状态SOC和健康状态SOH），无法反映电池内部状态的动态变化。这一局限性可能导致两个SOH相近的电池单体实际呈现截然不同的内部状态与退化速率。
数据驱动方法通过直接从历史数据中学习模式，绕过了复杂的控制方程[3]，在健康状态(SOH)估计方面获得了显著关注。这类方法通常从电压、电流和温度曲线中提取特征，并具有快速执行的优势[4][5][6]。然而，它们通常作为不透明的"黑箱"模型运行，缺乏可解释性和物理洞察力。压力与扩展包等机械信号能够反映电池内部状态，并为老化过程提供物理层面的见解[7][8]。但在实际应用中，获取此类信息需要在电池单元内部植入微型传感器。
相比之下，基于物理的模型为追踪电池内部状态提供了结构化框架。第一性原理模型（如Doyle-Fuller-Newman（DFN）模型）通过偏微分方程（PDEs）描述锂离子电池中的传输与反应过程。其简化版本——单粒子模型（SPM）将每个电极简化为单个多孔球形颗粒，并忽略电解液动力学。尽管这些模型具有可解释性和预测能力，但其计算复杂度高，限制了在实时诊断中的实际应用。
结合基于物理建模与数据驱动方法的混合模型已崭露头角，以平衡准确性与效率[9][10][11][12]。例如，Kohtz等人[13]采用有限元模型从电压曲线推断SEI厚度，并将其与其他电学特征结合，通过高斯过程回归实现健康状态（SOH）估算。Hofmann等研究者[14]则通过引入源自DFN模型的内部状态变量改进了SOH预测精度。尽管有效，这些方法仍存在计算复杂度高的问题，导致其在电池管理系统（BMS）中的实时应用面临瓶颈。这凸显了一个关键挑战：如何在保持基于物理模型可解释性的同时，实现内部状态的快速评估。
物理信息神经网络（PINNs）提供了一种极具前景的解决方案。该方法通过将物理定律——如控制方程偏微分方程和边界条件——嵌入神经网络损失函数，并利用自动微分进行优化，使得PINNs能够高效求解复杂物理模型[15][16]。如表1所列，近期研究以不同的物理保真度和实用性水平探索了PINNs在电池建模中的应用。例如Wang等学者提出了一种用于跨电池类型和工况的SOH预测的PINN框架，但该框架因缺乏显式物理约束而限制了其可解释性[17]。Zheng等采用物理信息深度算子网络将电流曲线映射至端电压，同时纳入固体扩散系数与机械应力参数[18]，后续又将其扩展为物理信息多输入算子网络，用于增强型SPM的状态空间建模[19]。Huang等开发了面向DFN建模的模型集成神经网络，该网络对未见过的工作曲线展现出良好外推能力[20]。尽管这些方法提升了计算效率，却常未能考虑老化相关参数。随着电池性能衰减，这种忽略会导致精度下降，使其难以适用于长期诊断。面向实际应用的模型必须整合老化相关参数，才能在整个电池生命周期内保持有效性。
近期研究致力于弥补电池模型参数化方面的不足。Hassanaly等人将参数识别融入物理信息神经网络（PINNs），同时应用于单粒子模型（SPM）和伪二维模型（DFN），但其参数选择范围有限且主要为演示性质[21][22]。Mendez团队在PINN中编码了两个SPM参数并展现出良好的预测性能，但未深入探索下游应用场景[23]。值得注意的是，这两项研究均聚焦恒流放电工况——这种场景在实际应用中缺乏现实性。相比之下，充电工况具有更高可控性且在实际环境中更为普遍，因此更适合作为健康诊断的基础。此外，两项研究均未能筛选出电池老化过程中最关键的影响参数。
综上所述，这些局限性揭示了一个关键研究空白：亟需开发基于物理信息神经网络（PINN）的混合模型，该模型应能（1）嵌入老化相关参数，（2）实现充电曲线对电池内部状态的快速精准估计，（3）支持电池全生命周期内健康状态（SOH）诊断的优化。
本研究的创新点与贡献如下：
- •
我们提出了一种通过自变量识别与敏感性分析来筛选SPM中关键老化参数的系统方法。 - •
我们开发了一种用于SPM的参数化PINN模型，称为P-PINNSPM，通过整合已识别的关键参数，实现参数空间内电池内部状态的高效精确推断。 - •
我们开展了全面实验以验证SOH估算精度。该模型对未见过的SOH水平、变化电流曲线及不同工作条件均展现出良好泛化能力。
标签: