image.png
准确的健康状态（SOH）估计对于锂离子电池的可靠安全运行至关重要。然而，由于电池类型和工作条件多样，可靠且稳定的电池 SOH 估计仍具挑战性。本文提出了一种基于物理的神经网络（PINN），用于准确且稳定地估计电池 SOH。具体来说，我们从经验劣化和状态空间方程的角度建模影响电池劣化的属性，并利用神经网络捕捉电池劣化动态。一种通用特征提取方法旨在从电池充满电前的短时间内提取统计特征，使我们的方法适用于不同电池类型和充放电协议。此外，我们还生成了一个包含 55 块锂-镍钴-锰氧化物（NCM）电池的综合数据集。结合来自不同厂商的另外三个数据集，我们共使用了 387 个电池和 310,705 个样本来验证我们的方法。平均绝对百分比误差（MAPE）为 0.87%。我们提出的 PINN 在常规实验、小样本实验和转移实验中，与替代神经网络相比表现出显著表现。本研究强调了基于物理的机器学习在电池劣化建模和 SOH 估计方面的潜力。
