面向二次利用复杂性的可解释电池退化轨迹计算的物理信息混合专家网络
机器学习
2025-06-24 v1
摘要
退役电动汽车电池在支持低碳能源系统方面具有巨大潜力，但其退化行为的不确定性及二次利用中的数据不可访问性构成了安全、规模化部署的主要障碍。本工作提出了一种物理信息混合专家网络，利用部分现场可获取的信号在单个充放电周期内计算电池退化轨迹。PIMOE 利用自适应多退化预测模块，通过以容量-电压和弛豫数据为基础的专家权重合成对退化模式进行分类，生成潜在退化趋势嵌入。这些嵌入被输入到依赖使用的循环网络中进行长期轨迹预测。在涵盖 77 种使用条件、67,902 次循环的 207 块电池上进行验证，PIMOE 实现了 0.88% 的平均平均绝对百分比误差（MAPE），推理时间为 0.43 ms。与最先进的 Informer 和 PatchTST 相比，其计算时间和 MAPE 均分别降低了 50%。PIMOE 兼容随机荷电状态区域采样，支持 150 次循环的预测，平均和最大 MAPE 分别为 1.50% 和 6.26%，即使在仅使用 5MB 剪枝训练数据的情况下也能有效运行。总体而言，PIMOE 框架为电池退化轨迹计算提供了一种可部署、无需历史数据的解决方案，重新定义了二次利用储能系统的评估、优化及融入可持续能源体系的方式。
引用
@article{arxiv.2506.17755,
title = {Physics-informed mixture of experts network for interpretable battery degradation trajectory computation amid second-life complexities},
author = {Xinghao Huang and Shengyu Tao and Chen Liang and Jiawei Chen and Junzhe Shi and Yuqi Li and Bizhong Xia and Guangmin Zhou and Xuan Zhang},
journal= {arXiv preprint arXiv:2506.17755},
year = {2025}
}