电池老化条件下基于SOH引导的放电时间预测:一种物理引导的残差学习框架

《Microelectronics Reliability》:SOH-guided time-to-empty prediction under battery aging: A physics-guided residual learning framework

【字体: 大 中 小 】 时间:2026年09月19日 来源:Microelectronics Reliability 2.5

编辑推荐:

   •基于时间戳推导的 TTE 标签取代了主评估中的合成目标。•物理引导的残差学习改善了老化感知的运行时间预测。•仅来源残差随机森林在 NASA 数据上提供了稳健的跨电池性能。•牛津 1C 验证表明模型排名取决于数据分布。•目标状态适应带来的是异质性而非均匀的增益。引言可靠的剩余

  
  • •
    基于时间戳推导的 TTE 标签取代了主评估中的合成目标。
  • •
    物理引导的残差学习改善了老化感知的运行时间预测。
  • •
    仅来源残差随机森林在 NASA 数据上提供了稳健的跨电池性能。
  • •
    牛津 1C 验证表明模型排名取决于数据分布。
  • •
    目标状态适应带来的是异质性而非均匀的增益。

引言

可靠的剩余放电时间(TTE)估计是电池供电系统的一项实际需求,因为它将当前的电化学状态转化为可操作的剩余运行时间估计。传统燃料计严重依赖库仑计数和经验校准,但累积的荷电状态(SOC)误差、依赖老化的可用容量、负载变化和电压截止效应可能导致系统性的运行时间偏差 [1], [2], [3]。
大多数电池预测研究转而预测健康状态(SOH)、容量衰减或未来寿命终点阈值处的剩余使用寿命(RUL)[4], [5], [6]。这些任务与 TTE 相关但不可互换:RUL 是循环级别寿命量,而 TTE 是取决于当前 SOC、可用容量和负载的放电内量。因此,可信的 TTE 研究需要基于时间戳推导的剩余放电标签和验证分割,以防止同一放电循环的样本进入训练集和测试集。
物理信息学习涵盖广泛的光谱,从软物理正则化到嵌入控制微分方程的架构 [7], [8]。像 MINN 这样的电池特定模型集成方法在学习架构中嵌入偏微分 - 代数电池动力学 [9],而 BMINN 嵌入多相热力学公式和概率参数学习 [10]。本工作不嵌入电化学微分方程。它使用代数电荷平衡估计作为基线,并且只学习其残差;因此我们使用更为谨慎的术语物理引导的残差学习。
对于数据驱动的比较,随机森林提供了一种非线性、计算轻量级的基线 [11],而高斯过程回归(GPR)提供了一种具有强小样本行为的概率核方法 [3], [12]。分割保形预测可以在可交换性下无分布假设地校准点预测器 [13], [14];然而,电池老化引入了时间分布偏移,因此本文将保形结果视为诊断而非经过验证的不确定性贡献。
生命周期部署还需要在电池级别的 TTE 任务之外保持谨慎。与退化相关的内部量的终身估计说明了健康感知估计器可能需要跨电池年龄持续更新 [15]。在电池包级别,电池不一致性、电气配置和最弱电池约束可以改变可获取能量和寿命结果 [16]。因此,本实验仅限于单电池放电曲线,并不声称直接扩展到多电池移动设备电池包。
本研究做出了三项贡献。首先,它用来自 636 个 NASA 放电循环的基于时间戳推导的实测 TTE 观测值取代了合成 TTE 目标,并在 519 个牛津 C1dc 特征曲线上独立重复了评估框架 [17], [18]。其次,它在循环分组的时间序列和留一电池协议下评估了校准物理、线性、基于树、支持向量和 GPR 基线。第三,它确定仅来源额定 SOC 物理引导 RF 残差模型为最稳健的 NASA 跨电池锚点,同时报告在牛津上观察到的数据集依赖排名,而不是呈现单一通用赢家。

章节片段

状态变量和符号

我们考虑一个标称额定容量为 Q额定 (Ah) 且受循环退化影响的电池单元。对于所有四个 NASA 电池,来源数据和锁定的 P0 基线使用共同的标称值 Q额定=2.0Ah。对于每个放电循环 k 和采样瞬间 t,我们区分提供给模型的额定容量 SOC 和仅用于选择评估查询点的因果历史归一化坐标。
荷电状态(SOC)。 额定容量 SOC 由库仑计数定义 [1], [2]: SOC(t)=

物理基线

我们定义了两个纯物理基线,除简单仿射校准外不使用学习参数。

NASA PCoE 电池数据集

我们使用来自 NASA 预测卓越中心电池数据集 [17] 的四个 18650 锂离子电池(B0005、B0006、B0007 和 B0018)。它们的放电记录是近似 2 安恒流,而不是动态移动使用轨迹。B0005–B0007 的中位采样间隔约为 9.4 秒,B0018 为 11.9 秒。重构的 P0/P2 仅来源基线使用共同的标称额定容量 2.0 A h。电池特定值 1.8353 A h、2.0133 A h、1.8807 A h 和 1.8396 A h 是

结果

所有指标均在模型拟合期间未见过的测试分区上报告。RMSE、MAE 和偏差以小时为单位;在本文中,偏差=N?1∑i(y?i?yi),因此负值表示 TTE 的预测不足(低估)。粗体表示每种电池和协议下表现最好的模型。所有值均四舍五入到三位有效数字。

关键发现

核心的 NASA 结果是,一个来源电池训练的 RF 残差 P2 模型,使用额定 SOC 特征和因果历史查询采样,无需目标电池标签、SOH 特征、校准或重新训练,即可实现协议内稳健的跨电池 TTE 预测(宏平均 LOBO RMSE 0.0172 小时;最差电池 0.0360 小时)。独立的牛津复制在牛津范围内重新拟合相同的模型族;RF Direct 在 Oxford LOBO 下最佳(0.009 48 小时),而 RF 残差 P2 达到 0.0227 小时。变化在

结论

我们提出了一种在电池老化下具有因果输入约束的 TTE 预测物理引导残差学习框架。在近似 2 安恒流 NASA PCoE 曲线(5088 个观测值,4 个电池)上,仅来源额定 SOC RF 残差 P2 锚点在无需目标电池标签、SOH 特征、校准或重新训练的情况下,实现了宏平均 LOBO RMSE 0.0172 小时和最差电池 RMSE 0.0360 小时;其查询计划仅使用先前已完成循环的容量。一个独立数据集

资金来源的角色

本研究未从公共、商业或非营利部门的任何资助机构获得特定赠款。没有制药公司或其他机构付费让作者撰写本文。资助方在研究设计、数据收集、分析、解释、撰写或提交稿件的决定中没有角色。作者拥有完全的数据访问权,并接受提交本手稿发表的决定责任。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系,这些可能会被认为影响本论文中报告的工作。

致谢

作者感谢 NASA 预测卓越中心和牛津电池退化数据集贡献者提供公开可用的数据。
李家恒
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号