面向锂离子电池的神经后验估计： scalable and accurate inverse parameter inference
数据分析、统计与概率
2026-04-06 v1 机器学习
摘要
诊断锂离子电池的内部状态对于电池研究、实际系统运行以及剩余寿命预测至关重要。通过贝叶斯校准使用基于物理的模型进行概率参数估计，诊断可以考虑模型适配度、数据噪声以及特定参数可观测性带来的不确定性。然而，即使使用快速替代模型取代物理模型，基于电化学数据的贝叶斯校准在计算上仍然昂贵，需大量模型评估。完全摊薄的替代方案是神经后验估计 (NPE)。NPE将计算负担从参数估计步骤转移到数据生成和模型训练阶段，将参数估计时间从分钟缩短到毫秒，实现实时应用。本文表明，NPE对贝叶斯校准具有相同或更好的准确性，我们演示了即使在高维情形下（估计参数从6到27个），数据生成的计算成本仍可接受，但NPE方法可能导致更高的电压预测误差。NPE方法还提供了若干可解释性优势，如对电压曲线特定区域的参数灵敏性。本文使用实验快速充电数据集演示了NPE方法，并通过损失锂库仑储量和活性材料损失的测量结果验证了参数估计。实现已在随附仓库中提供（https://github.com/NatLabRockies/BatFIT）。
引用
@article{arxiv.2604.02520,
title = {Neural posterior estimation for scalable and accurate inverse parameter inference in Li-ion batteries},
author = {Malik Hassanaly and Corey R. Randall and Peter J. Weddle and Paul J. Gasper and Conlain Kelly and Tanvir R. Tanim and Kandler Smith},
journal= {arXiv preprint arXiv:2604.02520},
year = {2026}
}