用于电池参数辨识的定点神经加速与逆代理模型
机器学习
2025-10-29 v1
摘要
电动汽车的快速扩张加剧了对锂离子电池进行准确高效诊断的需求。电化学电池模型的参数辨识被广泛认为是电池健康评估的一种有效方法。然而，传统的元启发式方法计算成本高、收敛速度慢，而最近的机器学习方法则受限于其对恒流数据的依赖，这在实践中可能无法获得。为了克服这些挑战，我们提出了一个基于深度学习的电化学电池模型参数辨识框架。该框架结合了带电解质的单粒子模型的神经代理模型(NeuralSPMe)和基于深度学习的定点迭代方法。NeuralSPMe在真实的电动汽车负载曲线上进行训练，以准确预测动态运行条件下的锂浓度动态，同时参数更新网络(PUNet)执行定点迭代更新，显著减少了每个样本的评估时间和收敛所需的总体迭代次数。实验评估表明，与传统的元启发式算法相比，所提出的框架将参数辨识速度提高了2000倍以上，实现了卓越的样本效率，并且准确率提高了10倍以上，尤其是在实际应用中遇到的动态负载场景下。
引用
@article{arxiv.2510.24135,
title = {Fixed Point Neural Acceleration and Inverse Surrogate Model for Battery Parameter Identification},
author = {Hojin Cheon and Hyeongseok Seo and Jihun Jeon and Wooju Lee and Dohyun Jeong and Hongseok Kim},
journal= {arXiv preprint arXiv:2510.24135},
year = {2025}
}
备注
31 pages, 11 figures, submitted to Applied Energy