耦合神经网络与物理方程用于锂离子电池荷电状态预测
机器学习
2024-12-24 v1 人工智能
摘要
估计电池荷电状态（SoC）随其使用而变化的演化对于实施有效的电源管理策略以及最终提高系统寿命至关重要。大多数现有的估计方法要么是基于物理的电池数字孪生，要么是数据驱动模型，如神经网络（NN）。在这项工作中，我们提出了该领域的两个新贡献。首先，我们引入了一种新颖的NN架构，由两个级联分支组成：一个基于传感器读数预测当前SoC，另一个根据负载行为估计未来时刻的SoC。其次，我们将电池动力学方程集成到NN的训练中，融合了基于物理和数据驱动的方法，以提高模型在可变预测范围上的泛化能力。我们在两个公开可用的数据集上验证了我们的方法，表明我们的物理信息神经网络（PINNs）优于纯数据驱动的神经网络，同时与最先进技术相比，以更小的架构获得了更高的预测精度。
引用
@article{arxiv.2412.16724,
title = {Coupling Neural Networks and Physics Equations For Li-Ion Battery State-of-Charge Prediction},
author = {Giovanni Pollo and Alessio Burrello and Enrico Macii and Massimo Poncino and Sara Vinco and Daniele Jahier Pagliari},
journal= {arXiv preprint arXiv:2412.16724},
year = {2024}
}