KAN-Therm：使用 Kolmogorov-Arnold 网络的轻量级电池热模型

电池管理系统 (BMS) 依赖对电池单元中电池温度分布的实时估计，以确保锂离子电池的安全和最佳运行。然而，物理 BMS 常常受到高保真模型所需的内存和计算资源限制的限制。在物理 BMS 上使用基于物理的模型对安全关键系统的电池进行温度估计，由于其较高的计算时间，可能变得具有挑战性。相比之下，基于神经网络的方法提供更快的估计，但需要更大的内存开销。为了解决这些挑战，我们提出了基于 Kolmogorov-Arnold 网络 (KAN) 的热模型 KAN-therm，用于估计圆柱形电池的核心温度。与传统神经网络架构不同，KAN 使用可学习的非线性激活函数，可以使用相对精简的模型有效捕捉系统复杂性。我们将模型的记忆开销和估计时间与最先进的神经网络和基于树的模型进行了比较，以证明 KAN-therm 在物理 BMS 上的适用性和潜在可扩展性。