一种用于NMC811锂离子CAT蓄电池可解释内部温度估计的物理信息TCN-LSTM方法
来源：
卡特蓄电池 发布时间：2026-10-13 20:37:29 点击： 次
摘要
准确的内部温度估计对于锂离子电池（LIBs）安全可靠的工作性能具有重要意义。然而，传统的纯数据驱动预测模型存在固有局限性，包括物理可解释性不足以及在复杂动态驾驶工况下泛化能力下降。为了应对这一挑战，本研究提出了一种物理信息驱动的时间卷积网络与长短期记忆网络（PI-TCN-LSTM）框架，用于高精度锂离子电池内部温度估计，该方法仅依赖于易于获取的外部传感器测量值。所提出的混合架构协同整合了两种时间模块的优势：TCN捕捉快速瞬态热动力学特征，而LSTM则有效挖掘电池的长期热惯性依赖关系。为了弥补纯数据驱动方法缺乏物理约束的不足，采用两状态集总热模型来表征电池内部产热和传热机制。具体而言，涵盖不可逆焦耳热、可逆熵热和对流散热的控制热力学微分方程被直接嵌入网络损失函数作为物理约束，实现了领域物理定律与数据驱动学习的紧密耦合。对商用NMC811电池的全面实验验证表明，所提出的PI-TCN-LSTM框架显著优于传统纯数据驱动模型。值得注意的是，该方法在未见过的FTP-75行驶工况下表现出良好的泛化能力，在5°C和45°C时分别保持0.081°C和0.069°C的RMSE值。
图文摘要
1. 引言
在全球能源危机日益加剧以及环境污染不断恶化的背景下，电动汽车与电化学储能系统在全球范围内得到了快速发展[1,2,3]。作为核心储能组件，锂离子电池（LIBs）凭借其高能量密度和长循环寿命，已成为此类应用的主流动力源[4]. 尽管具有这些显著优点，锂离子电池内部发生的复杂且不均匀的电化学反应不可避免地会引发潜在的安全隐患，限制了其大规模安全部署[5,6]。在低温运行条件下，缓慢的电化学动力学过程会增加电池的内阻，这不仅削弱了功率输出能力，还会触发严重的锂析出，从而降低电池性能和使用寿命[7,8]。相反，高温会加速副反应并增加电气故障的概率，最终可能导致严重的电池热失控 [9,10,11]。鉴于内部温度直接反映了电池的实际热状态，由于传热不均匀和密封封装结构，商用电池内部与外部温度存在显著差异 [12因此，准确的实时内部温度监测在先进电池热管理系统中起着至关重要的作用，迫切需要开发非侵入式且准确的方法来预测锂离子电池的内部温度[13,14].
目前，现有的电池温度预测方法大致可分为基于物理的模型和数据驱动模型[15]。基于物理的模型建立在电池的基本电学、电化学和传热机制之上，能够对电池热特性提供明确的数学可解释性[16]。例如，Mahboubi等人[17]提出了一种基于电热模型的分析方法，以精确描述锂离子电池的发热行为及表面温度演变。同样，Biju和Fang[18]构建了一个集成热动力学的等效电路模型，以实现对电池热响应的高效估计。尽管这些模型行之有效，但传统的基于物理的模型主要侧重于电池表面温度的预测，而内部温度的复杂演化机制往往被简化甚至完全忽略。为了解决这一技术局限，近年来越来越多的研究致力于内部温度的估计。例如，Shen等人[19] 应用了一种基于平方根立方卡尔曼滤波的电热耦合框架，来联合估计圆柱形锂离子电池的内部和表面温度，实现了良好的估计性能。此外，Wang等人[20] 采用了一种解耦参数估计方案，用于电热耦合模型，以实现大尺寸方形锂离子电池的有效内部温度预测。尽管此类基于物理的方法提供了清晰的物理见解，但要实现高精度往往需要耦合多个复杂的子模型，这不可避免地带来了沉重的计算负担，并限制了其在实际工程中的应用 [21].
相比之下，数据驱动方法已成为电池热监测任务的一种流行替代方案。得益于强大的非线性拟合和特征学习能力，这些架构采用深度神经网络直接映射外部可测传感器信号与内部温度状态之间的复杂非线性关系，从而消除了复杂物理建模和参数识别的繁琐过程[22]。例如，Wang等人[23] 采用人工神经网络提取非线性特征，实现了实时核心温度估计。为了更好地捕捉电池热演化的时变行为，姚等人 [24]利用门控循环单元来建模热行为的时间热依赖性，这显著提高了动态运行条件下温度估计的精度。然而，传统的循环神经网络架构按顺序处理数据，这限制了它们的计算效率，并削弱了它们学习电池运行序列中长程时间依赖性的能力。为了缓解这些局限性，时间卷积网络（TCNs）利用因果卷积和扩张卷积来实现历史时间序列数据的并行处理，在长期特征提取方面表现出优越的性能。基于这一优势，刘等人[25] 应用了时间卷积网络（TCN）来捕捉电池的长程动态特性，以实现稳健的电池状态估计。为了进一步推进这一研究方向，赵等人 [26]已将时间卷积网络（TCN）与长短期记忆（LSTM）网络相结合，实现了从实时监测信号和多变电池运行模式中进行自适应学习。这种混合架构无需依赖显式物理机制即可实现高精度的状态监测。需要强调的是，该方法在电池温度估计研究领域尚未得到有效探索和讨论。此外，尽管纯数据驱动模型具有出色的精度和适应性，但它们存在固有缺陷，包括物理可解释性差以及对大规模标注训练数据的极端依赖。因此，此类模型在未见过的复杂运行场景下，其泛化能力和鲁棒性会显著下降[27].
为了克服纯物理和数据驱动模型的固有缺陷，物理信息神经网络（PINNs）通过在网络训练流程中融入领域物理特征和约束，提供了一种极具竞争力的解决方案[28,29,30]。这种先验物理知识的整合在电池管理研究中展现出了极佳的适用性。例如，Wang等人[31] 构建了一个由经验退化方程引导的PINN框架，以实现稳定的电池健康状态预测任务。聚焦于电池热特性场，Wang等人[32] 在神经网络的损失函数中融入了基础的电热动力学原理，从而实现了对电池表面温度的高精度估计。虽然先前的研究已经证明，PINN能够有效结合数据驱动方法灵活的数据学习能力和机理驱动模型的物理可解释性，但仍有若干技术挑战尚未解决。首先，目前大多数基于PINN的电池热管理研究主要集中在简化物理约束下的表面温度估计，而忽略了机理与数据的有效融合。更重要的是，涉及电池内部温度演化机理的方法也缺乏足够的研究。此外，现有研究主要采用常规数据集或商业18650电池进行模型验证，而鲜有研究探索PINN在新型NMC811电池上的应用，导致该领域存在关键的研究空白。
考虑到这些研究空白，本文提出了一种物理信息时间卷积网络与长短期记忆（PI-TCN-LSTM）框架，用于准确预测NMC811锂离子电池的内部温度。与现有的基于PINN的电池热模型相比，所提出的框架实现了物理机制与数据驱动学习更紧密、更系统的整合。具体而言，源自两状态集总热模型的物理参数、热力学控制方程和边界约束被直接嵌入到由TCN和LSTM模块组成的多尺度时间架构中。此外，该方法在高度动态的运行条件和广泛的温度范围内进行了准确性和鲁棒性的系统验证，其主要贡献总结如下：
- (1)
- 设计热力学约束损失函数：为在网络训练过程中保持物理一致性，将考虑焦耳热产生、熵热效应和对流散热的电池热力学方程作为物理约束。此外，设计了一种自适应权重策略，以动态平衡数据拟合损失和物理惩罚项，从而提高训练稳定性并消除手动权重调优。
- (2)
- 开发PI-TCN-LSTM估算框架：该框架将集总热模型衍生的物理特征与外部传感器测量值紧密集成作为网络输入，架起了物理机制与深度学习之间的桥梁。双分支TCN捕捉快速瞬态热响应，而LSTM模块刻画长期热惯性，有效克服了传统PINN在动态工况下序列建模能力有限的问题。
- (3)
- 评估所提方法在运行工况下的有效性：使用商用NMC811电池对所提框架进行了评估，定量结果表明，PI-TCN-LSTM方法在复杂动态驾驶循环和宽温度范围内实现了卓越且稳健的内部温度预测精度。
本文后续章节安排如下。PI-TCN-LSTM框架的主要方法论在第2节. 第3节中详细阐述。关于内部温度估计的结果与讨论见第4节最后，第五节以本研究的主要发现作为总结。
2. 方法论
本节概述了锂离子电池内部温度的预测方法，并且图1展示了所提框架的总体布局。首先，采用双状态集总参数热模型来表征产热过程，从而提取关键物理特征参数。接着，详细介绍所提PI-TCN-LSTM框架的架构，解释其如何利用易于测量的外部数据（如电流、电压和表面温度）以及提取的物理特征作为输入。在该框架内，分别采用双分支TCN和LSTM来捕捉快速瞬态热响应和长期热惯性。最后，讨论网络的物理约束机制，详细说明热力学常微分方程（ODEs）和边界条件如何作为残差约束嵌入到训练过程中，并通过温度自适应加权策略进行动态平衡。
图1。所提出的用于锂离子电池内部温度估计的PI-TCN-LSTM框架的总体示意图。
2.1. 双状态集总参数热模型
在本研究中，采用双状态集总参数热模型来描述从电池内部核心到外部表面的温度动态。通过将复杂的内部热分布简化为两个相互作用的节点，该模型提供了热行为的有效数学表示。由于该基础架构的可靠性已在先前的研究中得到广泛验证[33,34]，本节主要关注其在所提框架中的两个核心应用：提取动态热参数作为物理特征，以及构建用于后续物理约束的热力学方程。
- (1)
- 热控制方程与参数提取
基于能量守恒定律，核心与表面的热平衡方程表示如下：
