一个高效的物理知情连续时间模型，用于在仅电力运行时可观测性下估计NEC锂电池状态

关于移动边沿设备，准确的电荷情况（SOC）和耗尽时间（TTE）估计在高频同步技术上遭到严峻的唯有功耗可观测性捆绑的瓶颈遥测一般无法在操作体系层面访问。传统的等效电路模型（ECM）和深度学习方法在这种不完好的传感下，常面临要害的可观测性失利、无界差错漂移或过高的核算开支。为弥合这一间隔，我们提出了一种轻量化的物理学基础连续时间方法，严峻由总功率轨迹驱动。该方法无需工作时电压-电流遥测，经过电荷守恒常微分方程（ODE）与准静态电压近似来控制SOC动力学。工作包线明晰捆绑为仅放电、低速率（）移动基线负载以保证该近似值的物理有效性。在此边界内，该方法在数学上强制实行单调放电共同性，并捕捉无不行辨认极化参数的非线性雪崩。此外，TTE被表述为随机初次经过的命中时间，并辅以蒙特卡洛不承认性传播以完结热感知安全。在包含氧化锂钴（LCO）、镍锰鈷（NMC）和磷酸锂（LFP）化学体系的7565条动态记载中验证，证明了化学习气的稳健功能，完结了SOC跟踪均方根差错（RMSE）TTE均匀绝对差错（MAE）为0.72小时。要害是，解析常微分方程完结了亚毫秒级的揣度（）内存占用，最高可达23.2加速于现代深度学习基线。这种算法功率为未来习气受限边沿微控制器奠定了强有力的理论可行性，条件是等待物理硬件在环验证。

简介

锂离子电池在移动边沿设备（如智能手机、可穿戴设备和物联网传感器）上的遍及，使电池处理体系（BMS）架构达到要害基础设施的方位[1]、[2]。尽管今世 BMS 规划越来越多地向云端-边沿协作方法改动 [3]， [4]，这些边沿控制器仍面临严峻的异构感捆绑。与受控实验室环境不同，现实国际的边沿设备表现出高度动态的功耗模式，这由核算、显现和无线通信子体系之间的快速切换驱动[5]， [6]。这种动态凌乱性还因环境温度改变和长时间降解而加重，使得可靠的电荷情况（SOC）跟踪和耗尽时间（TTE）猜想极具应战性[7]。
要害是，本研讨考虑的布置场景不是特权包级BMS，而是一个操作体系笼统的移动边沿运用，只能访问粗略电池特色和聚合能量/功率计数器。例如，Android的电池处理器展现了整数电池容量、充电/电流/能量计数器以及广播级电压和温度场，但这些特色的可用性、分辨率和均匀窗口取决于油量表硬件和厂商装备[8]。运用层沙箱进一步避免第三方能源处理模块直接从电源处理集成电路（PMIC）获取同步的高频端子电压和电流[9]。因而，即使某些电压或电流场名义上露出，也无法保证它们是同步的、高速率的，或在各设备间坚持共同可用。在这种受限的操作体系级设置下，最可重复的遥测数据是汇总功率轨迹或能耗迹，这促进了仅限功率的捆绑。在本文中，“仅功率”一词指的是揣度时的估计器输入：情况估计器接收到一个总功率轨迹，以及静态单元级表征，如标称容量和开路电压（OCV）-SOC曲线，但不接收同步端子电压或是当时用于递归测量更新的流。关于无法取得原生运用层功率计数器的公共实验室数据集，仅依据记载的电压-电流测量离线重建，用于基准构建;这些重建后的电压和电流信号在揣度过程中不会供应给拟估算器或任何基线。需求留心的是，带有直接仿照转数字转换器（ADC）访问权限的包级控制器仍不在此处针对的捆绑性设置范围内，因为我们的重点严峻在于运用层环境。此外，在分布式联邦学习场景中向云传输高分辨率波形或许违背严峻的隐私和数据主权协议[10]。
在这种不完好的传感条件下，传统的等效电路模型（ECM）情况观测器会遇到底子的可观测性失效。递归贝叶斯滤波器，如扩展卡尔曼滤波器（EKF），要害地依托连续且同步的用于实行测量更新的观测数据[11]。假设没有电压感应，该更新阶段失利，触发协方差展开和无界差错漂移。类似地，库仑计数也存在无界差错累积（因为缺少依据电压的OCV校准机会，30分钟后在动态负载下完结[1]。这种可观测性应战在低SOC环境中尤为杰出，悬崖效应——一种非线性现象，需求非线性添加的电流需求以维持安稳功率，电压崩溃——不行猜想地加速电池耗尽[1]。
电池情况估计的最新进展企图经过在依据模型、纯数据驱动和物理学基础的范式之间权衡，来应对这些传感应战。近期聚焦ECM的综述澄清了等效电路SOC观测器的优势和限制[12]，而依据物理传输的网络在噪声和有限数据环境中改进了数据驱动SOC估计[13]。更广泛地说，电气化体系中的劣化测验方法也强调了明晰匹配验证条件与所研讨物理应力源的重要性[14]。传统的依据模型的方法，如依据ECM的递归观察者[15]、[16]，以及先进的电化学模型，如伪二维（P2D）和单粒子模型（SPM）[7]、[17]、[18]，供应了严峻的物理跟踪;但从微观中提取凌乱的内部参数Profiles 构成了一个错态逆问题[19]，其严峻依托同步可观测性严峻捆绑了它们的边沿功效[9]。为了绕过凌乱的参数化，纯数据驱动架构——从长短期回忆（LSTM）网络[20]、[21]、[22]到依据变压器的模型如PatchTST [23]——将历史遥测数据直接映射到SOC。尽管这些承认性模型强大，但常常存在要害的物理违背（分布外呈现15%–30%的差错膨胀[24]，[25]）、留心力机制带来的过大核算开支[23]，以及无法严峻区分偶然性与认识论不承认性[24]、[26]、[27]。为了弥合这些限制，物理知情机器学习（PIML）将控制方程嵌入神经网络[28]、[29]，近期完结成功布置了物理知情神经网络（PINs）用于健康情况（SOH）[30]、[31]以及级联架构进行SOC猜想[32]。尽管在三大范式上取得了明显进展，但一个根赋性瓶颈依然存在：现有方法主要依托连续电压感测或离线工作，导致仅供电的可观测性捆绑在实时移动边沿场景中没有处理。
因而，现有文献面临三大根赋性研讨空白，阻挠了实践边沿的布置。首要，核算可解性与物理共同性之间存在未处理的权衡;简化的数据驱动模型牺牲了物理精度，而慎重的电化学模型对边沿微控制器来说核算量仍然难以承受。其次，热致降解的鲁棒不承认性量化在资源受限的环境中没有充分发展，捆绑了将参数和传感器噪声传播到可靠猜想区间的才能。最终，现有方法缺少经过验证的化学习气验证，适用于不完全传感。因为大多数验证研讨完全依托于单一化学实验室数据集，且包含完好的遥测技术，即在仅供电条件下，怎么承认不同电池技术的方法可靠性，仍是一个要害且没有处理的难题。
为补偿这些空白，本研讨提出了一种专门针对仅功率捆绑边沿布置的物理知情连续时间方法。与传统的电子对抗体系要求连续不同同步方面，我们的灰盒模型严峻依托电力遥测，支持硬件验证后在资源极度紧张的移动边沿设备中未来布置。本文的主要奉献总结如下：

• 1.
  一种轻量级灰盒连续时间方法：我们开发了一种依据物理的连续时间猜想方法，明晰将动态移动设备边沿电源输入与电池情况演化耦合，完结亚毫秒级揣度（）在x86单线程算法基准测验中，显现出未来边沿布置的核算潜力。
• 2.
  物理知情连续时间常微分方程（ODE）模块：我们依据OCV引导的功率与电流桥接及温度和老化效应下的容量校正，构建了一个基础性的连续时间情况模块，坚持了电池的底子物理原理，一起避免了完好电化学模型的凌乱性。准静态电压近似代表了在不完全传感下物理保真度与核算可行性之间的最佳工程权衡。
• 3.
  可解释且具有不承认性感知的TTE猜想模块：我们将耐久猜想运用于连续SOC轨迹的耗尽时间核算，经过RK4积分明晰解析，并结合运用自举式参数重采样和反现实驱动因子归因进行蒙特卡洛不承认性传播。
• 4.
  展现了硬件无关的核算功率，具有亚毫秒的推迟和回忆凌乱性。该方法在评价基线中完结了1.6×到23.2×的加速，其间包含在较重的PatchTST和LightGBM架构上提高15–23×。这一功率标明理论可行性及算法潜在潜力，未来可习气ARM级受限设备，条件是待物理硬件环路（HIL）验证。
• 5.
  经过体系评价包含锂钴氧化物（LCO，NASA）、镍锰钴（NMC，CALCE）和磷酸锂（LFP，MIT）化学体系中7565条动态放电记载的归纳语料库，建立了稳健的化学习气离线验证，仅靠功率揣度。