用于参数推断的锂离子电池模型 PINN 代理模型。第二部分:伪二维模型的正则化与应用
机器学习
2024-09-10 v3 应用物理
摘要
贝叶斯参数推断有助于改进锂离子电池诊断,并有助于建立电池老化模型。然而,其计算量很大,难以对多个循环、多种运行条件或多个重复电池单元重复执行。为了降低贝叶斯标定的计算成本,基于物理模型的数值求解器可被更快的代理模型所替代。我们开发了一种物理信息神经网络(PINN),作为伪二维(P2D)电池模型标定的代理模型。与第一部分中开发的 PINN 单粒子模型(SPM)相比,P2D 代理模型需要额外的训练正则化。PINN SPM 和 P2D 代理模型均被用于参数推断,并与通过直接数值求解控制方程获得的数据进行比较。一项参数推断研究凸显了利用这些 PINN 对正极锂扩散和负极交换电流密度的缩放参数进行标定的能力。通过实现 P2D 模型相比标准积分方法 2250 倍的计算加速,PINN 代理模型能够实现快速的状态健康诊断。在低数据可用性场景下,SPM 代理模型的测试误差估计为 2 mV,P2D 代理模型为 10 mV,这可通过增加数据加以缓解。
引用
@article{arxiv.2312.17336,
title = {PINN surrogate of Li-ion battery models for parameter inference. Part II: Regularization and application of the pseudo-2D model},
author = {Malik Hassanaly and Peter J. Weddle and Ryan N. King and Subhayan De and Alireza Doostan and Corey R. Randall and Eric J. Dufek and Andrew M. Colclasure and Kandler Smith},
journal= {arXiv preprint arXiv:2312.17336},
year = {2024}
}