CAT蓄电池基于物理信息的神经进化算法用于锂离子电池电极预后参数推断
来源：
卡特蓄电池 发布时间：2026-03-09 16:53:51 点击： 次
引言
能源存储技术的创新对于构建更具可持续性的未来至关重要，这些技术支撑着从交通电气化到太阳能和风能等间歇性可再生能源与现代电网无缝整合的发展趋势。锂离子电池（Li-ion）是目前这一转型过程中最重要的候选技术。以南澳大利亚的Hornsdale Power Reserve为例，该项目通过实证表明大规模储能系统能够有效稳定电网频率并降低对化石燃料的依赖[1]。
鉴于电池容量与生产成本的最新改进，有效的电池管理系统(BMS)正日益被视为实现更安全、更可持续运营的下一个关键前沿领域。例如，BMS领域的创新能够实现优化快速充电，使电池循环寿命延长40%[2]，同时对于缓解热失控（以电动汽车火灾及航空领域类似事故为典型例证的重大危害潜在诱因[3][4]）具有不可或缺的作用。因此，开发并整合能够准确预测电池健康状态(SoH)与剩余使用寿命(RUL)的方法论，因其对电池效能、使用寿命及安全性的预期效益，已在BMS领域引起极大关注。然而，现有系统在实现无损实时电池内部状态推断方面仍面临挑战。
现有的电池健康状态估计方法主要采用基于物理原理或数据驱动的技术路线，二者各具优劣[5][6]。纯数据驱动方法通过深度学习等手段，从电压放电曲线等宏观测量数据中预测健康状态(SoH)或剩余使用寿命(RUL)，其优势在于能直接从实际数据中提取有价值的信息。该领域最新进展包括：用于长周期时间序列预测的门控循环与状态空间序列模型[7]、配备差分信息存储机制的自适应门控循环神经网络在RUL预测中的应用[8]、基于主成分的特征工程在荷电状态估计中的运用[9]，以及专为高效锂离子电池寿命预测设计的轻量化可变形神经网络[10]。尽管这些模型的预测性能可能良好，但其稳健性会随数据质量和完整性的不同而变化。鉴于电化学系统的复杂性、操作条件的广泛可能性以及现实世界的噪声和不确定性，这一问题显得尤为突出。更关键的是，已知对机理具有重要意义的内部物理参数——如电极材料特性、关键动力学和输运特性——由于运行期间直接测量或推论的困难，常常被排除在这些模型之外[11]。
基于物理学的方法通过建立驱动电池退化的基础物理与电化学过程的机理模型，为电池健康诊断提供了补充性研究路径。随着对电池失效与内在机制关系的理解和建模不断深入，这类方法尤显重要。单粒子模型(SPM)[12][13][14]与多伊尔-富勒-纽曼(DFN)模型[15][16][17]等基于物理原理的电化学模型被广泛用于表征充放电循环中发生的化学与机械过程。这些模型能够捕捉锂离子扩散、界面反应和电极结构变化等重要现象，使其适用于从基础层面理解电池退化机制。例如，容量衰减和电压掉落的单调趋势已被证明由多种潜在失效机制驱动，包括电极降解[18]、锂析出[19][20]、电极裂纹[21]、电解质分解[22]以及结构变化[23]。尽管电化学模型具有精确性和可解释性，但在实际应用时需要对扩散系数、内阻和反应动力学等关键参数进行大量标定。由于这些关键特性因电池个体差异而不同，且无法通过电压或容量等可测量输出直接推断，往往需要进行破坏性拆解才能获取，这使得参数标定极具挑战性。此外，这类模型计算复杂度较高，限制了其在车载实时系统中的适用性。更简单的等效电路模型（ECMs）被提出作为物理可解释性更强、计算效率更高的框架，但其本质仍是现象学模型，同样需要进行精确的参数校准，且在新工况下的泛化能力有限[24][25][26][27]。
为应对这些局限性，物理信息神经网络（PINNs）提供了一种颇具前景的混合框架，该框架整合了基于物理建模的优势与数据驱动方法的灵活性[28]。通过将单调性、衰减动力学等底层物理规律或物理信息约束嵌入模型，PINNs能够实现更具物理意义且更精确的电池诊断与预后。多位学者先前已开发出结合经验衰减模型的物理信息框架，用于预测健康状态与电池管理，涵盖不同电池化学体系的应用[29][30][31][32][33][34]。然而这些模型主要聚焦于健康状态估计，并未解决更具挑战性的反问题——推断电池内部不可观测的状态参数，而这些参数对于机制可解释性具有重要意义。例如，通过电极监测（推断的）锂离子扩散速率，相比典型的现象学或经验性健康状态模型，能提供更机械稳健且可解释的健康状态指标，因为已知锂离子扩散速率的下降与锂镀层和电极退化等关键失效机制相关。追踪总容量、单电极容量及锂背包容量等关键参数的电极级诊断方法，可更深入地揭示内部退化机制[35][36]。
已有研究者分别证实了物理信息神经网络（PINNs）求解电化学模型——如单粒子模型（SPM）和准二维模型（P2D）——的能力，并实现了显著的模型加速[37][38][39]。这种加速效应被证明有利于电池参数的贝叶斯校准[39]。然而，既往研究主要聚焦于（基于仿真模型数据）论证加速效果，而非实际电池参数推断。此外，上述研究均未展示基于PINN的端到端框架在提取关键电化学参数的演化趋势例如电极扩散系数、摩尔通量以及实际电池循环中的最大锂浓度。至关重要的是，该逆问题可能存在不适定性——多种内部参数组合可能产生具有欺骗性的相似电压-时间测量结果（尤其在噪声干扰下），这要求采用高度鲁棒且高效的推断方法。
我们通过PINEAPPLE框架（面向锂离子电池电极预后参数推断的物理信息神经进化算法）来解决这一关键缺口，该框架旨在实现循环依赖性演化的追踪基础电池内部状态参数（如扩散系数）的准确估计，从而为锂离子电池提供更深入的可解释性和更强的预测能力。我们采用Baldwinian神经进化策略进行元学习，构建出具有高度泛化能力的物理信息神经网络(PINN)[40]。该网络能基于单粒子模型(SPM)实现跨广域物理参数的电极行为零样本预测，其计算速度比传统数值求解器快一个数量级。该PINN模型进一步与进化搜索算法相融合，仅通过易于获取的电压-时间(V-t)测量数据，即可实现机械模型中关键物理参数的快速鲁棒推断。值得注意的是，进化算法具有无需梯度的特性，可提供基于种群的参数估计，从而有效缓解问题的病态特性。这种从模型加速到实时参数推断的范式转变，使PINEAPPLE成为适用于新一代电池管理系统(BMS)应用的实用化、易部署框架。
开源CALCE数据库提供的电池电极材料及其他关键电化学参数信息有限。尽管如此，我们证明PINEAPPLE算法能够根据CALCE实验数据，追踪负极和正极中锂离子扩散系数等参数的演变规律。这一混合方法的关键创新在于：通过将研究重点转向扩散系数等关键物理量的相对演变，既利用了菲克扩散定律这一基础物理规律，又避免了获取详细材料特性信息或显式确定每个模型参数的需求，同时也规避了实际电池间差异性的影响。研究结果表明，这些推导参数呈现出符合物理规律的稳定变化趋势，与循环过程中的容量衰减高度相关，从而为揭示不同阶段的主导衰减机制提供了观测窗口。尽管当前研究结果仍处于概念验证阶段，尚需在未来针对更多样化的电池化学体系、工况曲线及老化条件进行验证，但PINEAPPLE作为一种可扩展的创新型框架，通过建立计算高效、实时反映电池内部物理状态的监测窗口，为开发具有更强可解释性与物理感知能力的新一代电池管理系统（BMS）提供了崭新路径。
本研究的主要贡献如下：
- 1.
我们提出了PINEAPPLE框架，这是一种基于物理信息的神经进化方法，通过将元学习物理信息神经网络（PINN）与进化搜索相结合，仅凭电压-时间测量数据即可实现对锂离子电池内部电化学状态参数的快速无损推断。
- 2.
我们采用Baldwinian元学习策略训练了一个针对单粒子模型（SPM）的通用性极强的PINN模型，该模型能够实现零样本、符合物理规律的电极锂离子浓度动态预测，其计算速度较PyBAMM提升10倍，同时保持相近的精度。×我们将跨循环V-t数据中内部状态参数的无损逆向推断问题，转化为对具有物理意义的缩放因子进行进化搜索的优化问题，从而实现了无需电池特定标定的快速鲁棒参数推断。
- 3.
我们证明了PINEAPPLE能够利用开源CALCE数据集中的真实数据，恢复关键内部参数（如有效阳极和阴极扩散系数）的一致且具有物理解释性的退化趋势。
- 4.
We demonstrate the ability of PINEAPPLE to recover consistent and physically-interpretable degradation trends in key internal parameters such as effective anode and cathode diffusion coefficients using real-world data from the open-source CALCE dataset.
