[论文解读] Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries

Hao Tu, Scott Moura+2 more|arXiv (Cornell University)|Dec 24, 2021

Advanced Battery Technologies Research被引用 5

一句话总结

本文提出了两种混合建模框架，将基于物理的电化学模型与等效电路模型（ECM）结合前馈神经网络（FNN），利用物理状态信息提升学习效率与预测精度。SPMT+FNN 和 NDC+FNN 模型在广泛 C-率范围内实现高电压预测精度，并在电池老化过程中保持性能稳定，实验验证表明其在不同健康状态（SoH）条件下具有强鲁棒性。

ABSTRACT

Mathematical modeling of lithium-ion batteries (LiBs) is a primary challenge in advanced battery management. This paper proposes two new frameworks to integrate physics-based models with machine learning to achieve high-precision modeling for LiBs. The frameworks are characterized by informing the machine learning model of the state information of the physical model, enabling a deep integration between physics and machine learning. Based on the frameworks, a series of hybrid models are constructed, through combining an electrochemical model and an equivalent circuit model, respectively, with a feedforward neural network. The hybrid models are relatively parsimonious in structure and can provide considerable voltage predictive accuracy under a broad range of C-rates, as shown by extensive simulations and experiments. The study further expands to conduct aging-aware hybrid modeling, leading to the design of a hybrid model conscious of the state-of-health to make prediction. The experiments show that the model has high voltage predictive accuracy throughout a LiB's cycle life.

研究动机与目标

• 解决在多样化工作条件下实现高精度、计算高效电池建模的挑战。
• 克服纯物理模型（如计算成本高）和纯数据驱动模型（如泛化能力差、物理合理性不足）的局限性。
• 开发融合电化学与等效电路模型物理解释性、并通过机器学习提升精度的混合模型。
• 通过在机器学习组件中引入健康状态（SoH）信息，实现面向老化的预测能力。
• 设计适用于高功率系统（如电动飞机）实时应用的模型，此类系统中传统模型在高 C-率下失效。

提出的方法

• 提出两种混合框架——HYBRID-1 和 HYBRID-2，将基于物理模型的状态变量（如浓度、电压）作为前馈神经网络（FNN）的输入。
• 通过将单粒子模型（SPMT）和基于 Thevenin 的等效电路模型（NDC）与 FNN 集成，构建 SPMT+FNN 和 NDC+FNN 混合模型，用于预测端电压。
• 使用覆盖广泛 C-率、荷电状态（SoC）和健康状态（SoH）的实验数据训练 FNN，以确保泛化能力。
• 通过将 SoH 作为 FNN 的输入特征，增强模型鲁棒性，实现面向老化的电压预测。
• 采用四层 FNN 作为基线架构，包含两层隐藏层，每层 32 个神经元，支持架构调优。
• 通过广泛仿真和真实实验，在多种 C-率和电池老化周期下验证模型性能。

实验结果

研究问题

• RQ1 将物理模型状态集成到机器学习中，是否能提升电压预测精度，同时降低模型复杂度？
• RQ2 基于 SPMT 和 NDC 模型的混合模型是否能在广泛 C-率范围内（包括高功率工况，如 5 C）实现高精度？
• RQ3 在 FNN 中引入健康状态（SoH）信息，如何提升电池老化过程中的长期预测精度？
• RQ4 与纯数据驱动模型相比，混合模型在多大程度上减少了数据依赖性和计算成本？
• RQ5 所提出的框架是否可扩展以支持实时电池管理任务，如能量状态（SoE）和功率状态（SoP）估计？

主要发现

• SPMT+FNN 和 NDC+FNN 混合模型在广泛 C-率范围内（包括高达 5 C 的高功率工况）实现高电压预测精度，而传统模型在此类条件下失效。
• 与纯数据驱动模型相比，混合模型显著降低了 FNN 的复杂度，实现更快训练速度和更低计算成本。
• 采用 SoH 信息的 NDC+FNN 模型在整个电池循环寿命内保持高预测精度，证明了其有效的老化感知建模能力。
• 所提框架使 FNN 仅需学习非线性残差动态，从而减少对大规模训练数据集的依赖，提升泛化能力。
• 在精度和计算效率方面，模型优于独立的电化学模型和等效电路模型，尤其在高 C-率下表现更优。
• 实证结果表明，更简单的 FNN 架构（如神经元更少）即可实现相当的性能，支持在精度、模型大小与复杂度之间进行权衡。