SSB蓄电池基于分形模型的物理信息神经网络(PINN)用于锂离子电池温度分布评估

2026-04-08 17:45:18

准确估算电池模块内锂离子电芯温度对于防止热衰减、提升性能及确保安全运行至关重要。本研究提出了一种物理信息神经网络（PINN）框架，通过将基于分形理论的热模型作为网络训练时的物理约束条件，实现电芯表面温度的精准估算。我们评估并比较了三种方法：传统神经网络（NN）、物理信息神经网络（PINN）及逆向物理信息神经网络（iPINN）。实验结果表明所有模型均能实现高精度温度估算，均方误差低于0.05°C该方法仅需利用电池模组内有限数量电芯的测量数据即可实现全局温度监测。在评估的各类方法中，iPINN展现出卓越的鲁棒性与适应性，即使在采样率降低的情况下仍能保持较高的预测精度。研究结果表明，将基于物理的约束条件与数据驱动模型相结合，能够实现电池模组温度场的精确且可扩展的监测，这为先进电池热管理系统及锂离子电池异常检测提供了一种极具前景的解决方案。

引言

锂离子电池是电气化进程中的关键组件，被广泛认为是能源与交通等战略领域脱碳进程的基础支柱。在能源领域，这类电池通过电池储能系统（BESS）对太阳能、风能等间歇性可再生能源发电进行存储，发挥着至关重要的作用。近年来BESS的部署规模呈指数级增长：2023至2024年全球BESS装机量激增，截至2024年底累计容量已达约150吉瓦/363吉瓦时。仅2023年一年，全球范围内就实现了显著增量，其中中国贡献23吉瓦，美国8吉瓦，欧洲6吉瓦，澳大利亚1.3吉瓦[1]。在交通运输领域，锂离子电池同样不可或缺，它为电动汽车提供了必要的储能支持。2024年全球电动汽车销量突破1700万辆，增长率超过25%。与2023年相比，2024年新增销量350万辆，这一数字已超过2020年全球电动汽车销量的总和[2]。
锂离子电池对温度高度敏感，因此适当的热管理对提升效率、可靠性和安全性至关重要[3]。其热行为具有高度复杂性，表现为强烈的各向异性[4]与非线性的特征。在低升温条件下，电池产热呈现"快-慢-快"的增长趋势；而在高升温条件下则表现出U型变化规律[5][6]。电池热行为已得到广泛研究，其分析主要采用三种方法：实验法、数值法和热建模方法[7]。%%然而基于物理的温度估算与预测模型存在若干局限性，包括需要校准大量参数、部分参数不精确以及未完全考虑系统动力学特性等问题。%%相比之下，数据驱动模型通常需要海量数据才能获得精确结果[8]。%%这些局限性推动了混合方法的发展，特别是物理信息机器学习模型。
多项研究已探索采用数据驱动方法对电池热行为进行建模。例如，文献[9]开发了三种预测生热速率的模型：人工神经网络（ANN）、支持向量机（SVM）和高斯过程回归（GPR）模型。其中ANN表现出最优性能。文献[10]提出了一种基于神经网络的锂离子电池温度预测方法，具体对比了三种不同神经网络架构：反向传播神经网络、径向基函数神经网络和Elman神经网络。研究结果表明，Elman神经网络展现出卓越的适应性与泛化能力，同时所需训练时间更短。[11]提出了一种基于循环神经网络的温度估计方法，采用美国宇航局卓越预测中心（PCoE）提供的数据集，针对两种循环架构——长短期记忆网络（LSTM-RNN）与门控循环单元（GRU-RNN）进行了验证。实验证实两种模型均取得良好性能，最大绝对误差（MAE）为0.75℃。此外，本研究还分析了神经元数量、学习率和迭代次数对均方误差（MSE）与平均绝对误差（MAE）的影响。数值方法亦被采用，例如文献[12]提出了一种基于等效电路法的热模型，该模型通过Ansys 2024开发，用于估算电池在行驶循环中的温度。研究结论表明，该方法适用于电池管理系统的开发，并能精确获取电池单体参数。[13]提出了一种基于物理的温度状态估计模型，该研究通过电热模型与自适应算法构建了在线协同估计框架。该方法在较宽温度范围（5–35°C）内展现出卓越的预测性能。%%[14]针对锂离子电池组开发了适用于实时温度分布估计的降阶多物理场模型，该模型整合了分布式等效电路模型、三热源热模型以及流阻网络模型。%%验证结果表明，该模型能准确描述电芯、模组和电池包三个层级在稳态与瞬态条件下的多层温度分布，其最大误差可控制在2.8°C以内。C.
鉴于数据驱动模型与基于物理的模型均存在局限性，许多研究者提出了混合建模方法。例如，文献[8]提出了一种长短期记忆物理信息神经网络（LSTM-PINN）用于估算电池组温度，该研究通过集总热模型对神经网络施加物理约束，重点阐释了混合建模的优势，并强调了环境舱温、网络激活函数及架构设计的重要性。研究结果表明，LSTM-PINN在预测精度上优于独立的LSTM模型。类似地，文献[15]采用PINN框架估算了锂离子电池在不同行驶工况下的产热率（HGR）。其热行为控制参数源自结合热力学的单颗粒模型（SPMT），该模型的物理信息被转化为神经网络约束条件。该PINN的有效性在典型环境驾驶工况下得到了验证。[16]重点阐述了因电池老化导致不可逆产热增加所带来的温度预测挑战。研究者提出了一种融合热学、电学与产热模型的无性向神经网络(PINN)，用于预测电池全生命周期温度。%%[17]通过构建锂离子电池预后与健康管理的半经验半物理偏微分方程(PDE)，提出基于无性向神经网络的模型融合方案。%%[18]则采用神经网络与卡尔曼滤波器相结合的模型框架实现电池温度估计。优化过程结束后，采用集总热模型作为状态函数以降低估计误差。
本研究旨在探究基于分形模型的正则化物理信息神经网络（PINN）的性能，并评估其在锂离子电池表面温度估算与预测中的有效性。尽管目前已提出众多混合方法，主要聚焦于温度或产热速率估计，但仍缺乏能够精准、快速且低计算成本地评估模块内锂离子单体表面温度的模型。这一问题可通过混合数据驱动模型解决，该模型整合了热电池模型并考虑异常弛豫效应。本研究提出一种创新方法，将物理信息神经网络（PINNs）与集总-分形解析模型相结合。基于文献[19]报告的实验数据，该框架利用真实锂离子电池数据验证了其在加热与冷却循环过程中温度分布的预测能力。与经典纯数据驱动方法相比，本方法展现出更优异的鲁棒性，尤其在数据稀缺场景下表现突出。此外，本研究通过设计更高效、更具鲁棒性的算法，为智能冷却系统的发展做出贡献，这些算法专为未来嵌入传感应用而开发。该模型可预测温度演变并检测过热状态，从而提升电池性能。本研究的另一创新点在于提出了一种将分形模型融入神经网络损失函数的方法论，由此实现算法优化并在模型中纳入反常弛豫约束条件。