任务状态:使用神经网络和电化学AI进行电池管理
Cengiz S Ozkan1,2,3, Mihrimah Ozkan2,4
1Materials Science and Engineering, University of California, Riverside, Riverside, CA, USA.
iScience
|October 31, 2025
概括
本研究介绍了一种使用神经ODEs和PINNs进行准确预测的混合电池管理系统. 它介绍了任务状态 (SOM),以预测电池是否可以完成其任务,改进电动汽车和电网存储应用.
科学领域:
- 电池管理系统 电池管理系统
- 计算电磁学 计算机电磁学
- 机器学习用于科学
背景情况:
- 传统的电池管理系统 (BMS) 依赖于充电状态 (SOC) 和健康状态 (SOH),这些状态并不能完全捕捉任务特定的性能.
- 准确的基于物理的预测对于电动汽车和电网存储等先进应用至关重要.
研究的目的:
- 开发一个混合建模框架,用于物理一致的,数据驱动的电池管理.
- 引入一个新的任务意识的诊断指标,任务状态 (SOM),用于预测电池任务的可行性.
主要方法:
- 神经常规微分方程 (神经ODE) 和物理信息神经网络 (PINN) 的集成,用于混合建模.
- 整合顺序学习模型 (LSTM,变压器) 来捕获时间依赖和高准确度估计.
- 通过整合内部状态,任务配置文件和安全约束来开发SOM.
主要成果:
- 该框架证明了对电化学热动力学合的强大预测.
- 使用NASA PCoE和牛津数据集的验证证实了任务结果的准确预测.
- 混合模型实现了物理一致的,数据驱动的电池行为预测.
结论:
- 拟议的框架在传统的SOC/SOH指标上提供了显著的进步.
- 新的SOM指标提供了对电池运行可行性的前性评估.
- 这种方法使下一代电池管理系统适用于各种应用.
