作者： Fujin Wang, Zhi Zhai, Zhibin Zhao, YiDi ，XuefengChen
单位：西安交通大学
01 摘要
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，由于电池类型和工作条件各不相同，可靠和稳定的电池SOH估计仍然具有挑战性。在本文中，我们提出了一种物理知情神经网络（PINN），用于准确稳定地估计电池SOH。具体而言，我们从经验退化和状态空间方程的角度对影响电池退化的属性进行了建模，并利用神经网络来捕捉电池退化的动态。设计了一种通用特征提取方法，用于在电池充满电之前从短时间内的数据中提取统计特征，使该方法适用于不同的电池类型和充放电协议。此外，我们还生成了一个由 55 个锂-镍-钴-锰-氧化物 （NCM） 电池组成的综合数据集。结合来自不同制造商的其他三个数据集，我们总共使用了 387 个电池和 310,705 个样本来验证我们的方法。平均绝对百分比误差 （MAPE） 为 0.87%。与其他神经网络相比，我们提出的 PINN 在常规实验、小样本实验和转移实验中表现出了显着的性能。这项研究强调了基于物理的机器学习在电池退化建模和 SOH 估计方面的前景。
02 图表简介
图：a 锂离子电池可能具有不同的化学成分（例如，镍钴锰酸锂（NCM）、镍钴铝酸锂（NCA）和磷酸铁锂（LFP）等）。不同的用户有个性化的电池放电策略，导致不同的退化轨迹。b 用于特征提取的选定数据的图示。我们在电池充满电之前从短时间内提取了特征。这些特征被用作拟议的 PINN 的输入来估计 SOH。上图是第 10 个周期的曲线，下图是整个生命周期的所有曲线。电池的老化和充电/放电协议的变化会导致曲线移动。
图：总共有 6 个批次（55 节电池），除第 2 批包含 15 节电池外，所有批次都包含 8 节电池。不同批次的充电/放电协议不同
图：a 第1批8个电池的特征。每个子图的 x 轴为 SOH，y 轴为相应特征的归一化值。每个子图右侧的数字表示特征编号。b 四个数据集中提取的特征与SOH之间的相关热图。数字 1-16 代表 16 个特征，特征的顺序与 （a） 中的一致。
图：a 拟议的PINN在四个数据集上的SOH估计结果。预测和真实 SOH 分布在对角线附近，表明模型表现良好。b 3 个模型（拟议的 PINN （Ours）、多层感知器 （MLP） 和卷积神经网络 （CNN））在四个数据集上的平均绝对误差 （MAE）、平均绝对百分比误差 （MAPE） 和均方根误差 （RMSE） 的分布。每个误差线包含 10 个点（10 个实验），并用平均线和标准差线标记。与其他两种方法相比，本方法的预测误差更小，稳定性更高。源数据以源数据文件的形式提供
图：每个误差线包含 10 个点（10 个实验），并用平均线和标准差线标记。图例中的“1 个电池”表示我们只使用 1 个电池的数据来训练模型。其他的则类似。随着电池数量的增加，三款车型的性能越来越好。但是，我们的方法仍然在其中表现最好。a 第1批的结果。b HUST数据集的结果。源数据以源数据文件的形式提供。
03 参考文献
Wang F, Zhai Z, Zhao Z, et al. Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis[J]. Nature communications, 2024, 15(1): 4332.
小编有话说：本文仅作科研人员学术交流，由于小编才疏学浅，不科学之处欢迎批评。如有其他问题请随时联系小编。欢迎关注，点赞，转发，欢迎互设白名单。投稿、荐稿：[email protected]
点击“阅读原文”了解文章详情及PDF下载
点击“在看”，分享内容给小伙伴
标签：10,PINN,Nature,SOH,建模,神经网络,子刊,数据,电池 From： https://blog.csdn.net/weixin_43202974/article/details/139183755