SeqBattNet：带老化适应的离散态物理信息神经网络用于电池建模
机器学习
2025-09-23 v1 人工智能
摘要
精确的电池建模对于现代应用中的可靠状态估计至关重要，例如预测电池管理系统中的剩余放电时间和剩余放电能量。现有方法存在若干局限：基于模型的方法需要大量参数；数据驱动方法严重依赖标注数据集；而当前的物理信息神经网络（PINN）往往缺乏老化适应能力，或者仍依赖大量参数，或者持续再生状态。在本工作中，我们提出 SeqBattNet——一种带内置老化适应的离散态 PINN，用于电池建模，以预测放电过程中的端电压。SeqBattNet 由两个组件组成：（i）一个编码器，实现为所提出的 HRM-GRU 深度学习模块，用于生成特定循环的老化适应参数；（ii）一个解码器，基于等效电路模型（ECM）并结合深度学习，利用这些参数和输入电流来预测电压。该模型仅需三个基本电池参数，并且在仅使用单个电池的数据训练时仍能实现稳健性能。在三个基准数据集（TRI、RT-Batt 和 NASA）上的广泛评估表明，SeqBattNet 显著优于经典序列模型和 PINN 基线，在保持计算效率的同时实现了持续更低的 RMSE。
引用
@article{arxiv.2509.17621,
title = {SeqBattNet: A Discrete-State Physics-Informed Neural Network with Aging Adaptation for Battery Modeling},
author = {Khoa Tran and Hung-Cuong Trinh and Vy-Rin Nguyen and T. Nguyen-Thoi and Vin Nguyen-Thai},
journal= {arXiv preprint arXiv:2509.17621},
year = {2025}
}