基于频率自适应学习的知识感知建模用于电池健康预估

电池健康预估对于确保现代能源系统的安全性、效率和可持续性至关重要。然而，由于电池退化行为存在复杂的非线性、噪声、容量再生等问题，实现准确可靠的预估一直颇具挑战。现有数据驱动模型捕获时间退化特征，但常缺乏知识引导，导致长期健康预估不可靠。为克服这些限制，我们提出了Karma，一种具有知识感知且采用频率自适应学习的模型，用于电池容量估计和剩余可用寿命预测。该模型首先执行信号分解，以获得不同频率带的电池信号。开发了双流深度学习架构，其中一个流捕获长期低频退化趋势，另一个模型化高频短期动态。Karma通过基于经验研究将电池退化建模为双指数函数来调节预估。我们使用双流模型对知识参数进行粒子滤波优化，以确保物理一致性和可靠预估及不确定性量化。实验结果表明，Karma在两个主流数据集上实现了优异性能，分别将电池健康预测的平均误差降低50.6%和32.6%。这些结果突显了Karma的鲁棒性、通用性及其在多样化应用中实现更安全可靠电池管理的潜力。