混合物理模型与机器学习锂离子电池模型的联合参数化

电化学混合电池模型具有显著潜力，能够为下一代锂离子电池管理系统启用先进的基于物理的控制、诊断和预知功能。这得益于电化学模型的物理意义，其由机器学习模型补充，以补偿由系统不确定性导致的输出预测误差。虽然混合模型在大系统不确定性下已显示出稳健的输出预测性能，但在参数识别期间高度易受不确定性影响，这可能损害模型的物理意义。在解决此挑战方面，我们提出了一种参数估计框架，通过一个差异函数显式地考虑系统不确定性。该方法还包含一个下采样程序，以解决大型时间序列数据集（如电池领域中常见的）相关的计算障碍。该框架在仿真中经过验证，结果表明几项均值参数估计误差比传统最小二乘方法小一个数量级。虽然为高不确定性、电化学混合建模背景开发了该框架，但该估计框架适用于所有模型，并以通用形式呈现。