第一作者:Fujin Wang,Zhi Zhai
通讯作者:陈雪峰,赵志斌
通讯单位:西安交通大学
论文速览
准确的健康状态(SOH)估计对于锂离子电池的可靠和安全运行至关重要。然而,由于不同的电池类型和工作条件,可靠和稳定的电池SOH估计仍然具有挑战性。
本论文提出了一种基于物理信息神经网络(Physics-informed Neural Network, PINN)的方法,用于锂离子电池健康状态(State of Health, SOH)的准确和稳定估计。
研究团队从实证退化和状态空间方程的角度出发,建立了影响电池退化的属性模型,并利用神经网络捕捉电池退化动态。研究中设计了一种通用的特征提取方法,从电池充满电之前的短时间内数据中提取统计特征,使得该方法适用于不同类型的电池和充放电协议。
此外,研究团队生成了一个包含55个锂镍钴锰氧化物(Nickel-Cobalt-Manganese-Oxide, NCM)电池的综合数据集,并结合了来自不同制造商的另外三个数据集,总共使用了387个电池和310,705个样本来验证所提出的方法。平均绝对百分比误差(MAPE)为0.87%。与替代神经网络相比,所提出的PINN在常规实验、小样本实验和迁移实验中表现出色。该研究突出了物理信息机器学习在电池退化建模和SOH估计中的潜力。
图文导读
图1:提出的PINN用于锂离子电池SOH估计的流程图。
图2:XJTU电池数据集的退化轨迹。
图3:从XJTU提取的8个电池的特征,以及四个数据集中提取的特征与SOH之间的相关系数热图。
图4:SOH估算结果图解。
图5:在XJTU数据集批量1和HUST数据集上,三种模型(所提出的PINN、多层感知器(MLP)和卷积神经网络(CNN))的测试均方根误差(RMSE)分布情况。
图6:所提出的物理信息神经网络的示意图。
总结展望
本研究提出的基于物理信息的神经网络(PINN)为锂离子电池的SOH估计提供了一种新的、有效的解决方案。通过结合物理模型与数据驱动方法的优势,PINN能够在不同类型的电池和充放电协议中实现准确和稳定的SOH估计。
此外,研究还证明了PINN在小样本学习和迁移学习方面的优势,这对于电池健康管理和维护决策具有重要意义。未来,随着更多数据和内部变量的可用性,可以考虑更复杂的电化学模型,进一步优化PINN的性能。此外,如何将电池的物理方程与神经网络更无缝地整合,以及如何在现有数据和计算资源的约束下实现电池健康管理的最优集成,将是未来研究的重要方向。
文献信息
标题:Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis
期刊:Nature Communications DOI:10.1038/s41467-024-48779-z