跳到主要内容
返回时间线
PLoS ONE来源发表:

电池电压预测不再逐循环重算:SeqBattNet用离散状态加老化适配,NASA两节电池RMSE降至0.0257与0.0253

核心概要

SeqBattNet把电池端电压预测改成按时间步推进的离散状态模型,编码器从每个放电循环开头一小段电流电压中估计欧姆内阻、RC时间常数、健康状态等老化适配参数,解码器再用等效电路模型逐步算出电压。此前同类物理信息模型要么依赖大量难以辨识的物理参数,要么用连续微分方程推进、误差随时间累积且难以在截止电压处及时停止。在TRI、RT-Batt和NASA三个公开数据集上,训练只用单节电池、测试用未见过的电池,NASA的RW4与RW5上RMSE分别为0.0257和0.0253,低于PDB-Net的0.0382和0.0406。

Source-provided article image: SeqBattNet: A discrete-state physics-informed neural network with aging adaptation for battery modeling.
PubMed

深度剖析

电池端电压预测现在可以在每个放电循环开头只取一小段电流电压信号,就得到该循环专属的老化参数,再沿时间步逐步推出整段放电电压。 此前的物理信息电池模型分两类:一类把物理约束写进损失函数,另一类把神经网络与等效电路模型结合;后者中的连续状态做法需要预先设定预测时域,电压轨迹可能越过截止电压,误差也会沿长时域累积。 在NASA数据集上,SeqBattNet对RW4和RW5的RMSE为0.0257和0.0253,同一数据集上PDB-Net为0.0382和0.0406,BattNN为0.0504和0.0524;训练只用RW3,测试用未参与训练的RW4和RW5。

模型由编码器和解码器两部分组成,编码器负责估计当前循环的老化状态,解码器负责把电流换算成电压。 编码器采用分层推理-GRU,即把分层推理模型中的Transformer换成门控循环单元,以降低计算量;解码器沿用一阶等效电路模型,用前馈网络预测开路电压和RC支路电阻。 编码器输入为放电起始的一段电流电压,TRI与RT-Batt取80个采样点、NASA取30个采样点;在TRI-b1c4、TRI-b1c2、RT-Batt-1-2、RT-Batt-1-3上RMSE分别为0.0280、0.0416、0.0346、0.0491,在NASA的RW4与RW5上为0.0257和0.0253。

去掉逐循环老化适配后,同一解码器和训练设置下的电压误差明显变大。 无适配时编码器输出的参数被替换为在初始放电循环上网格搜索得到的固定值,解码器结构、训练数据和优化设置保持不变。 RMSE在TRI-b1c4上从0.0280升到0.0747,在RT-Batt-1-2上从0.0346升到0.1088,在NASA-RW5上从0.0253升到0.0395;参数拟合方式的差异使这一贡献无法被完全隔离。

启示与展望

评估限定在TRI、RT-Batt和NASA三个公开数据集的放电阶段,训练、验证与测试使用不同电池,指标为RMSE、MAE和MAPE;模型只以电流和电压为输入,未考虑温度,作者计划后续加入环境温度与电芯温度特征并在真实工况数据上评估。

编码器输出的物理参数对电压预测的影响程度不一,其物理准确性和可辨识性尚未独立验证;无老化适配的对照中参数拟合方式不同,使老化适配的贡献无法被完全隔离;在NASA数据集上部分更简单的编码器变体RMSE略低,编码器效果依赖数据集。