基于量子特征映射的物理信息神经网络电池健康预估
机器学习
2026-04-21 v2
摘要
基于健康状态(SOH)估计的准确电池健康预估是多尺度电池储能系统可靠性的关键，但现有方法在不同电池化学体系和工作条件下的可泛化性有限。标准神经网络无法捕捉电池退化的复杂高维物理特性是这些限制的主要原因。为此，我们提出了结合量子特征映射(QFM)技术的物理信息神经网络(QPINN)。QPINN通过Nyquist方法将原始电池传感器数据投影到高维希尔伯特空间，创建高度表达的特征集合，有效捕捉细微的非线性退化模式。这些量子增强特征随后由强制物理约束的物理信息网络处理。该方法在不同数据集上实现了99.46%的平均SOH估计准确率，显著优于最先进的基线方法，MAPE和RMSE分别降低最高可达65%和62%。该方法在387个电池单元、310,705个样本的大规模多化学数据集上进行了验证，并在交叉验证设置中显示出显著的适应性，能够无需依赖目标域SOH标签的情况下从一种化学体系成功迁移到另一种化学体系。
引用
@article{arxiv.2604.10362,
title = {Battery health prognosis using Physics-informed neural network with Quantum Feature mapping},
author = {Muhammad Imran Hossain and Md Fazley Rafy and Sarika Khushalani Solanki and Anurag K. Srivastava},
journal= {arXiv preprint arXiv:2604.10362},
year = {2026}
}