CAT蓄电池基于物理信息的交叉注意力算子网络：采用硬约束傅里叶特征的大规模电池组热力图预测
来源：
卡特蓄电池 发布时间：2026-04-17 14:30:57 点击： 次
°C
对比研究表明，PI-CAON在预测精度与计算效率方面均持续优于基于网格的方法、现有物理信息神经算子及纯数据驱动基线，凸显了其在电池热设计优化与不确定性量化领域的应用潜力。
引言
全球脱碳倡议显著加速了电气化交通转型的进程。在此背景下，锂离子电池凭借其高功率密度、长循环寿命及快速充电能力，已成为现代电动汽车和下一代移动平台的基石（Fayaz等人，2022年）。随着车辆动力需求与能量密度的持续提升，电池系统需要在更为严苛的热力学与结构约束下运行，这凸显了电池热管理系统（BTMSs）的关键作用（Kabirzadeh等人，2025年）。通过消散电池单体产生的热量，BTMSs将单体温度控制在安全运行范围内，从而有效预防热失控、性能衰减及非均匀老化现象。在各种电池热管理系统(BTMS)方案中，间接液冷因其卓越的结构适应性而脱颖而出，可兼容多种电池包几何构型与车辆设计方案(Anisha和Kumar，2023)。由于电芯排布方式会直接影响局部生热与散热路径，间接冷却式电池包的热行为对内部布局具有高度敏感性。因此，精确可靠地预测空间温度场（即热力图）不仅构成电池系统设计优化的基础，更是保障热安全性与系统可靠性的关键前提。
电池热图预测的传统方法可大致分为基于测量的方法（Tong等，2025；Ferreira与Tang，2025）、基于模拟的方法（Fayaz等，2022）以及数据驱动方法（C. Zhu等，2024），各类方法均存在固有局限性。基于测量与模型驱动的方法依赖于稀疏的温度传感器和简化的热模型，这限制了其在柔性布局条件下重建完整空间温度场的能力（Ferreira与Tang，2025；Tian等，2017；Ma等，2020）。高保真数值模拟（如有限元或有限体积法）能够针对不同布局和材料配置提供精确的温度预测（Fayaz等，2022；J. Zhu等，2024；Al-Haddad等，2024）。然而，其高昂的计算成本限制了该方法在设计优化和不确定性量化任务中的应用，这类任务通常需要快速且重复的评估。作为数值模拟的有效替代方案，数据驱动的代理建模正日益广泛地采用机器学习技术来近似潜在的参数-响应关系（C. Zhu等，2024；Liu等，2025c；Wang等，2025）。尽管代理模型在推理过程中能实现显著加速，但其预测精度——尤其对于深度神经网络而言——仍高度依赖于大量高保真训练数据的可获得性，而这些数据在现实的电池设计场景中往往成本高昂或难以获取。
为应对数据稀缺的挑战，物理信息机器学习（PIML）已成为一种新兴范式，其通过将物理定律（通常表现为偏微分方程（PDEs））嵌入神经网络架构或训练目标中，实现物理原理与数据驱动的融合（Raissi等人，2019；Xu等人，2023）。通过引入物理约束，PIML模型在提升数据效率的同时，增强了物理一致性与泛化能力（Banerjee等人，2025；Jiang等人，2026）。然而，当前用于电池热分析的大多数PIML模型——如物理信息全连接神经网络（PI-FCNN）（Deng等人，2023；Jo等人，2024）、物理信息长短期记忆（PI-LSTM）网络（Shen等人，2025）以及物理信息卷积神经网络（PI-CNN）（Jiang等人，2025；Liu等人现有方法（参见文献，2025a）要么专为单电池热建模而开发，要么在扩展至电池组时依赖基于固定网格的几何表征，导致可扩展性受限、离散化误差、分辨率敏感性以及处理任意布局或查询连续空间位置温度时灵活性不足。相比之下，神经算子通过输入函数与偏微分方程解之间的映射学习（Azizzadenesheli等，2024；Shukla等，2024），提供了无需网格且分辨率无关的替代方案。在各类神经算子架构中，深度算子网络（DeepONet）（Lu等，2021）作为代表性框架，通过双路径结构逼近非线性偏微分方程解：分支网络编码输入函数，主干网络处理空间坐标。基于DeepONet框架，研究者已开发出多种改进版本以增强泛化能力并适应几何变异性。具体而言，物理信息深度复合算子网络（PI-DCON）（Zhong and Meidani，2024）通过重复参数嵌入和复合层结构实现了无标签条件下的复杂解学习；而物理信息几何感知神经算子（PI-GANO）（Zhong and Meidani，2025）则采用多层感知机与特征拼接机制显式编码几何信息。尽管取得这些进展，现有物理信息神经算子在应用于具有复杂布局的大规模电池组时仍存在局限。（1）基于乘法的特征融合机制难以捕捉电池单元间复杂的热相互作用。（2）基于多层感知机的编码器无法有效表征电池-导热胶界面处的高频温度梯度。（3）依赖软约束强制执行边界条件（特别是诺伊曼边界条件）会导致训练过程不稳定。这些局限性共同降低了包含大量电池单元的电池组构型在热力图预测上的准确性。
为解决基于物理信息的神经算子在处理复杂随机几何结构和多频系统行为时面临的关键挑战，本文提出了一种新型物理信息交叉注意力算子网络（PI-CAON）作为无网格代理模型，用于预测不同布局配置下大规模电池组的稳态热分布图，即使在缺乏标注训练数据的情况下仍能有效工作。首先，针对电芯-导热膏界面附近陡峭温度梯度与其他区域平缓变化共存的现象，分支网络引入了傅里叶特征编码策略，该策略能根据不同的参数化布局表示，同时捕获高频与低频空间热模式。为克服软边界条件导致的训练不稳定问题，本研究提出了一种硬约束傅里叶嵌入策略作为物理信息网络架构。通过在主干网络中应用整数频率的余弦映射，该神经算子不仅以硬约束方式强制满足诺伊曼边界条件，还能从配置点中提取多尺度特征。进一步地，为有效捕捉大规模电池组中复杂的电池间及电池-配置点热相互作用，本研究设计了基于交叉注意力机制的堆叠特征融合模块，该模块可显式学习布局与查询位置间的几何依赖关系。通过利用自动微分计算偏微分方程残差损失，PI-CAON实现了完全无标签训练，同时确保高估计精度与物理保真度。在包含20个电池单元的间接液冷电池组实验中表明，所提出的PI-CAON能在不同电池布局下生成准确可靠的热力图预测，最大估计误差低于0.03°C。对比研究验证了PI-CAON在性能上优于传统网格化方法与常规神经算子。在预测精度与训练效率的权衡方面，PI-CAON相较于数据驱动方法同样展现出卓越性能。本文的主要贡献可归纳如下：
- 1.
开发了一种无网格物理信息神经算子框架，用于大规模电池组的布局感知热图预测，可在不依赖标记训练数据的情况下实现不同几何配置下的精确温度估计。
- 2.
引入多尺度物理一致性建模策略，以提升异质热行为的表征能力，并确保物理信息训练中诺伊曼边界条件的稳定施加。
- 3.
采用基于注意力的交互建模机制，显式捕捉几何相关的热耦合效应，显著提升复杂电池组布局的预测精度。
