[论文解读] Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis

Jing Lin, Yu Zhang+1 more|arXiv (Cornell University)|Oct 25, 2021

Advanced Battery Technologies Research参考文献 23被引用 7

一句话总结

本文提出了一种混合物理驱动与数据驱动的模型，用于锂离子电池退化状态的实时诊断与预测，通过整合物理退化动力学与统计学习方法，提升模型的可解释性、泛化能力及不确定性校准。该方法可在数据有限及真实世界变化条件下，实现准确、在线的健康状态（SOH）估计与剩余使用寿命（RUL）预测，并具备良好的不确定性校准能力。

ABSTRACT

Advancing lithium-ion batteries (LIBs) in both design and usage is key to promoting electrification in the coming decades to mitigate human-caused climate change. Inadequate understanding of LIB degradation is an important bottleneck that limits battery durability and safety. Here, we propose hybrid physics-based and data-driven modeling for online diagnosis and prognosis of battery degradation. Compared to existing battery modeling efforts, we aim to build a model with physics as its backbone and statistical learning techniques as enhancements. Such a hybrid model has better generalizability and interpretability together with a well-calibrated uncertainty associated with its prediction, rendering it more valuable and relevant to safety-critical applications under realistic usage scenarios.

研究动机与目标

• 解决因对退化机制理解不足而导致的电池耐久性与安全性关键瓶颈问题。
• 开发一种减少对历史循环数据依赖的模型，同时利用已知的物理原理以提升泛化能力与可解释性。
• 在真实使用模式下，实现实时诊断（健康状态估计）与预测（剩余使用寿命预测）。
• 确保预测结果具备良好校准的不确定性，以支持安全关键型应用。
• 通过系统性地融合物理知识与机器学习，弥合纯数据驱动模型与纯物理模型之间的差距。

提出的方法

• 构建一种混合建模框架，以物理驱动的退化动力学为骨干，通过添加数据驱动组件（如高斯过程或机器学习模型）作为残差项，以捕捉未建模效应。
• 采用由 θ 参数化的动态系统，显式建模退化演化过程，其依据为物理原理，如多孔电极理论与副反应动力学。
• 通过将未知函数依赖关系（如对荷电状态SOC和温度的依赖）视为随机过程或学习函数，引入模型不确定性。
• 应用在线滤波与数据同化框架，利用顺序观测联合更新状态变量与模型参数，实现实时自适应。
• 采用稀疏回归与模型选择技术，从循环数据中自动识别相关退化模式。
• 通过统计推断校准参数估计与预测中的不确定性，确保在数据稀缺与现场噪声条件下的可靠性。

实验结果

研究问题

• RQ1 将物理驱动的退化动力学与数据驱动残差项相结合的混合模型，是否能在预测精度与泛化能力方面优于纯数据驱动或纯物理模型？
• RQ2 如何实现模型不确定性的良好校准，以支持安全关键应用中的可靠在线诊断与预测？
• RQ3 物理知识在多大程度上可减少电池退化建模中对大规模历史循环数据集的依赖？
• RQ4 残差数据驱动组件是否能有效捕捉现有物理模型无法解释的退化模式？
• RQ5 通过滤波方法实现的在线联合状态与参数估计，如何提升SOH与RUL预测在真实世界数据变异条件下的鲁棒性？

主要发现

• 与纯数据驱动模型相比，该混合模型通过嵌入已知的物理退化机制，展现出更优的泛化能力与可解释性。
• 预测中具备良好校准的不确定性，即使在数据有限或现场数据噪声较大的情况下，也能支持更可靠的决策制定。
• 引入物理知识可显著减少训练数据需求，并提升模型在多样化使用模式下的鲁棒性。
• 残差数据驱动组件（如高斯过程）能有效捕捉物理模型未涵盖的模型偏差与未建模退化动力学。
• 将混合模型集成至在线滤波框架中，可实现实时、自适应的状态与参数估计，从而随时间推移持续提升预测精度。
• 该方法具备更广泛的真实场数据适用性，并通过可靠的SOH估计，为电池的梯次利用应用提供了潜在支持。