基于物理的深度学习用于锂离子电池的主动热失控预测
机器学习
2026-05-12 v2 人工智能
摘要
准确预测锂离子电池的热失控现象对于确保现代能源存储系统的安全性、效率和可靠性至关重要。传统的数据驱动方法，如长短期记忆网络（LSTM），能够捕捉复杂的时序依赖关系，但常常违反热力学原理，导致物理上不一致的预测。相反，基于物理的热力学模型虽然提供了可解释性，但计算代价高昂且在实际应用中参数化困难，难以满足实时需求。为弥合这一差距，本研究提出了一种基于物理的长短期记忆网络（PI-LSTM）框架，通过在损失函数中引入物理基正则化项，将支配热传递方程直接集成到深度学习架构中。该模型利用包括状态荷电量、电压、电流、机械应力和表面温度等多特征输入序列，来预测电池温度演化，同时强制执行热扩散约束。在十三个锂离子电池数据集上的大量实验表明，所提出的PI-LSTM相对于标准LSTM基线实现了81.9%的均方根误差（RMSE）降低和81.3%的平均绝对误差（MAE）降低，同时在能量耗散和多层感知机（MLP）模型中均表现出优异的性能。物理约束的加入增强了模型在多样化运行条件下的泛化能力，并消除了非物理的温度振荡。这些结果确认，基于物理的深度学习为下一代电池系统中的可解释、准确且实时的热管理提供了可行的路径。
引用
@article{arxiv.2604.20175,
title = {Physics-Enhanced Deep Learning for Proactive Thermal Runaway Forecasting in Li-Ion Batteries},
author = {Salman Khan and Syed Sajid Ullah and Muhammad Zunair Zamir and Jie Li and Abdul Malik and Saeed Mian Qaisar},
journal= {arXiv preprint arXiv:2604.20175},
year = {2026}
}