GPINND：一种基于深度学习的锂离子电池健康状态估计方法

电化学模型在电池退化诊断方面具有优异的可解释性和可靠性。然而，迭代参数识别的高计算成本严重阻碍了在实际实时系统中实现电化学信息化健康状态（SOH）估计。为此，本文提出一种将深度学习与电化学机制集成并采用顺序训练策略的 SOH 估计方法。首先，我们构建混合驱动的替代模型，通过融合高保真仿真数据与物理约束来学习内部电化学动力学。该模型随后作为一种精确可微的物理 kernel，用于电压重建。然后，我们开发了自监督框架，通过最小化电压重建误差来训练参数识别网络。最终模型实现对外部测量的非迭代 aging 参数识别。最后，利用所识别参数作为 physicochemical 健康指示器，我们建立高精度 SOH 估计网络，利用数据驱动的残差校正来补偿识别偏差。至关重要的是，在这些模块之间应用顺序训练策略，以有效缓解收敛问题并提高每个模块的准确率。实验结果表明，所提方法实现了平均电压重建均方根误差（RMSE）为0.0198 V，SOH 估计 RMSE 为0.0014。