شبكة عصبية مستنيرة بالفيزياء لنمذجة وتوقع استقرار تدهور بطاريات الليثيوم أيون

النتائج

نظرة عامة على الإطار ومخطط التدفق

في مرحلة معالجة البيانات (الموضحة في الشكل 1ب)، يتم استخراج الميزات الإحصائية من فترة قصيرة من البيانات قبل أن يتم شحن البطارية بالكامل كمدخلات للنموذج، مما يضمن أن هذه الفترة من البيانات موجودة في معظم مجموعات بيانات البطاريات، ويحل مشكلة الميزات غير العالمية في الدراسات الحالية. لذلك، فإن طريقتنا قابلة للتطبيق على البطاريات ذات الكيميائيات المختلفة وبروتوكولات الشحن/التفريغ.

توليد البيانات

الشكل 2 | مسارات تدهور مجموعة بيانات بطارية XJTU. هناك 6 دفعات (55 بطارية) في المجموع، تحتوي جميع الدفعات على 8 بطاريات باستثناء الدفعة 2 التي تحتوي على 15 بطارية. بروتوكولات الشحن/التفريغ مختلفة بين الدفعات. انظر الملاحظة التكميلية 1 لمزيد من التفاصيل.

الشكل 3 | توضيح للميزات المستخرجة ومعاملات الارتباط.
خصائص 8 بطاريات من مجموعة بيانات XJTU الدفعة 1. -محور كل شكل فرعي هو SOH ، و -المحور هو القيمة المعيارية للخاصية المقابلة. الرقم على الجانب الأيمن من كل شكل فرعي يمثل رقم الخاصية.

خريطة حرارة الارتباط بين الميزات المستخرجة وحالة الصحة (SOH) في أربعة مجموعات بيانات. الأرقام تمثل 16 ميزة، وترتيب الميزات متسق مع ما هو موجود في (أ).

استخراج الميزات

تقدير SOH

لإظهار تقدم الشبكة العصبية المقترحة (PINN)، تم استخدام شبكة متعددة الطبقات (MLP) بنفس الهيكل وكمية المعلمات، وشبكة عصبية تلافيفية (CNN) مع تشابه.

الشكل 5 | توضيح لتوزيعات خطأ الجذر التربيعي المتوسط للاختبار (RMSE) لثلاثة نماذج (النموذج المقترح PINN (خاصتنا)، الشبكة العصبية متعددة الطبقات (MLP)، والشبكة العصبية التلافيفية (CNN)) على مجموعتين من البيانات. يحتوي كل شريط خطأ على 10 نقاط (10 تجارب) ويُشار إليه بخطوط المتوسط والانحراف المعياري. تعني “1 بطارية” في الأسطورة أننا نستخدم فقط بيانات بطارية واحدة للتدريب.

تجارب مع عينات صغيرة

نموذج. الآخرين مشابهون. مع زيادة عدد البطاريات، تتحسن أداء النماذج الثلاثة. ومع ذلك، لا يزال أسلوبنا يقدم أفضل أداء بينها. أ. النتائج على مجموعة بيانات XJTU الدفعة 1. ب. النتائج على مجموعة بيانات HUST. تم توفير بيانات المصدر كملف بيانات مصدر.

لأغراض الراحة، نختار فقط البيانات في دفعة XJTU 1 لتمثيل مجموعة بيانات XJTU. وبالمثل، يتم استخدام دفعة 3 من مجموعة بيانات TJU لتمثيل مجموعة بيانات TJU.
تنخفض أخطاء الاختبار لجميع النماذج الثلاثة. هذه حقيقة مقبولة عمومًا: زيادة عدد عينات التدريب يمكن أن تحسن أداء النموذج عندما تكون بيانات التدريب صغيرة. في الشكل 4ب، وبسبب العدد الكبير من العينات في مجموعة بيانات HUST، فإن أداء CNN وMLP قابل للمقارنة مع أداء PINN الخاص بنا. وهذا يوضح أيضًا أنه عندما تكون بنية النماذج أو عدد المعلمات متشابهة أو متطابقة، ومع وجود عدد كافٍ من عينات التدريب، فإن أداء النموذج لا يختلف كثيرًا. ومع ذلك، من الواضح من الشكل 5 أن طريقتنا لها ميزة كبيرة عندما يكون عدد عينات التدريب صغيرًا. بالإضافة إلى ذلك، من الجدير بالذكر أن أداء PINN الخاص بنا المدرب باستخدام بطارية واحدة فقط قابل للمقارنة مع أداء MLP وCNN المدربين باستخدام 3-4 بطاريات، مما يوضح تفوق PINN الخاص بنا في سيناريو العينة الصغيرة.

التعديل الدقيق بين مجموعات البيانات المختلفة

نقاش

طرق

نمذجة تدهور البطارية

شبكة عصبية مدعومة بالفيزياء

التعلم بالنقل مع الشبكة العصبية المدعومة بالفيزياء

توفر البيانات

توفر الشيفرة

References

1. Schmuch, R., Wagner, R., Hörpel, G., Placke, T. & Winter, M. Performance and cost of materials for lithium-based rechargeable automotive batteries. Nat. Energy 3, 267-278 (2018).
2. Harper, G. et al. Recycling lithium-ion batteries from electric vehicles. Nature 575, 75-86 (2019).
3. Zubi, G., Adhikari, R. S., Sánchez, N. E. & Acuña-Bravo, W. Lithiumion battery-packs for solar home systems: layout, cost and implementation perspectives. J. Energy Storage 32, 101985 (2020).
4. Zhao, D. et al. Online estimation of satellite lithium-ion battery capacity based on approximate belief rule base and hidden Markov model. Energy 256, 124632 (2022).
5. Yun, S.-T. & Kong, S.-H. Data-driven in-orbit current and voltage prediction using Bi-LSTM for LEO satellite lithium-ion battery SOC estimation. IEEE Trans. Aerosp. Electron. Syst. 58, 5292-5306 (2022).
6. Shen, L., Cheng, Q., Cheng, Y., Wei, L. & Wang, Y. Hierarchical control of DC micro-grid for photovoltaic EV charging station based on flywheel and battery energy storage system. Electr. Power Syst. Res. 179, 106079 (2020).
7. Deng, J., Bae, C., Denlinger, A. & Miller, T. Electric vehicles batteries: requirements and challenges. Joule 4, 511-515 (2020).
8. Liang, Y. et al. A review of rechargeable batteries for portable electronic devices. InfoMat 1, 6-32 (2019).
9. Markets, R. Global and China Li-ion power battery industry report, 2019-2025. Research and Markets. https://www. researchandmarkets.com/reports/5021667/globaland-china-li-ion-power-battery-industry (2020).
10. Miao, Y., Liu, L., Zhang, Y., Tan, Q. & Li, J. An overview of global power lithium-ion batteries and associated critical metal recycling. J. Hazard. Mater. 425, 127900 (2022).
11. Zhang, Y. & Li, Y.-F. Prognostics and health management of lithiumion battery using deep learning methods: a review. Renew. Sustain. Energy Rev. 161, 112282 (2022).
12. Berecibar, M. et al. Critical review of state of health estimation methods of Li-ion batteries for real applications. Renew. Sustain. Energy Rev. 56, 572-587 (2016).
13. Ng, M.-F., Zhao, J., Yan, Q., Conduit, G. J. & Seh, Z. W. Predicting the state of charge and health of batteries using data-driven machine learning. Nat. Mach. Intell. 2, 161-170 (2020).
14. Che, Y., Hu, X., Lin, X., Guo, J. & Teodorescu, R. Health prognostics for lithium-ion batteries: mechanisms, methods, and prospects. Energy Environ. Sci. 16, 338-371 (2023).
15. Wang, F. et al. A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend. J. Power Sources 521, 230975 (2022).
16. Baghdadi, I., Briat, O., Delétage, J.-Y., Gyan, P. & Vinassa, J.-M. Lithium battery aging model based on Dakin’s degradation approach. J. Power Sources 325, 273-285 (2016).
17. . et al. Remaining useful life prediction of lithium-ion batteries based on wiener process under time-varying temperature condition. Reliab. Eng. Syst. Saf. 214, 107675 (2021).
18. Dong, G. & Wei, J. A physics-based aging model for lithium-ion battery with coupled chemical/mechanical degradation mechanisms. Electrochim. Acta 395, 139133 (2021).
19. Lui, Y. H. et al. Physics-based prognostics of implantable-grade lithium-ion battery for remaining useful life prediction. J. Power Sources 485, 229327 (2021).
20. Attia, P. M. et al. Closed-loop optimization of fast-charging protocols for batteries with machine learning. Nature 578, 397-402 (2020).
21. Rauf, H., Khalid, M. & Arshad, N. Machine learning in state of health and remaining useful life estimation: theoretical and technological development in battery degradation modelling. Renew. Sustain. Energy Rev. 156, 111903 (2022).
22. Li, W., Zhang, H., van Vlijmen, B., Dechent, P. & Sauer, D. U. Forecasting battery capacity and power degradation with multi-task learning. Energy Storage Mater. 53, 453-466 (2022).
23. Wang, F. et al. Explainability-driven model improvement for SOH estimation of lithium-ion battery. Reliab. Eng. Syst. Saf. 232, 109046 (2023).
24. Berecibar, M. Machine-learning techniques used to accurately predict battery life. Nature 568, 325-326 (2019).
25. Severson, K. A. et al. Data-driven prediction of battery cycle life before capacity degradation. Nat. Energy 4, 383-391 (2019).
26. Nuhic, A., Terzimehic, T., Soczka-Guth, T., Buchholz, M. & Dietmayer, K. Health diagnosis and remaining useful life prognostics of lithium-ion batteries using data-driven methods. J. Power Sources 239, 680-688 (2013).
27. Richardson, R. R., Osborne, M. A. & Howey, D. A. Gaussian process regression for forecasting battery state of health. J. Power Sources 357, 209-219 (2017).
28. Luo, K., Chen, X., Zheng, H. & Shi, Z. A review of deep learning approach to predicting the state of health and state of charge of lithium-ion batteries. J. Energy Chem. 74, 159-173 (2022).
29. Wang, F. et al. Feature disentanglement and tendency retainment with domain adaptation for lithium-ion battery capacity estimation. Reliab. Eng. Syst. Saf. 230, 108897 (2023).
30. Xia, F., Wang, K. & Chen, J. State of health and remaining useful life prediction of lithium-ion batteries based on a disturbance-free incremental capacity and differential voltage analysis method. J. Energy Storage 64, 107161 (2023).
31. Wang, J. et al. High-efficient prediction of state of health for lithiumion battery based on AC impedance feature tuned with Gaussian process regression. J. Power Sources 561, 232737 (2023).
32. Fuller, T. F., Doyle, M. & Newman, J. Simulation and optimization of the dual lithium ion insertion cell. J. Electrochem. Soc. 141, 1 (1994).
33. Liu, X. et al. A generalizable, data-driven online approach to forecast capacity degradation trajectory of lithium batteries. J. Energy Chem. 68, 548-555 (2022).
34. Wang, F. et al. Remaining useful life prediction of lithium-ion battery based on cycle-consistency learning. in 2021 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD) 1-6 (IEEE, 2021).
35. Lin, M. et al. A data-driven approach for estimating state-of-health of lithium-ion batteries considering internal resistance. Energy 277, 127675 (2023).
36. Chen, Z., Liu, Y. & Sun, H. Physics-informed learning of governing equations from scarce data. Nat. Commun. 12, 6136 (2021).
37. Karniadakis, G. E. et al. Physics-informed machine learning. Nat. Rev. Phys. 3, 422-440 (2021).
38. Aykol, M. et al. Perspective-Combining physics and machine learning to predict battery lifetime. J. Electrochem. Soc. 168, 030525 (2021).
39. Nascimento, R. G., Viana, F. A., Corbetta, M. & Kulkarni, C. S. A framework for Li-ion battery prognosis based on hybrid Bayesian physics-informed neural networks. Sci. Rep. 13, 13856 (2023).
40. Thelen, A. et al. Integrating physics-based modeling and machine learning for degradation diagnostics of lithium-ion batteries. Energy Storage Mater. 50, 668-695 (2022).
41. Shi, J., Rivera, A. & Wu, D. Battery health management using physics-informed machine learning: online degradation modeling and remaining useful life prediction. Mech. Syst. Signal Process. 179, 109347 (2022).
42. Wang, F. et al. Inherently interpretable physics-informed neural network for battery modeling and prognosis. IEEE Trans. Neural Netw. Learn. Syst. 1-15 https://doi.org/10.1109/TNNLS.2023. 3329368 (2023).
43. Hofmann, T. et al. Physics-informed neural networks for state of health estimation in lithium-ion batteries. J. Electrochem. Soc. 170, 090524 (2023).
44. Zhu, J. et al. Data-driven capacity estimation of commercial lithiumion batteries from voltage relaxation. Nat. Commun. 13, 2261 (2022).
45. Ma, G. et al. Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning. Energy Environ. Sci. 15, 4083-4094 (2022).
46. Jiang, B. et al. Bayesian learning for rapid prediction of lithium-ion battery-cycling protocols. Joule 5, 3187-3203 (2021).
47. Geslin, A. et al. Chueh, selecting the appropriate features in battery lifetime predictions. Joule 7, 1956-1965 (2023).
48. Spotnitz, R. Simulation of capacity fade in lithium-ion batteries. J. Power Sources 113, 72-80 (2003).
49. He, W., Williard, N., Osterman, M. & Pecht, M. Prognostics of lithiumion batteries based on Dempster-Shafer theory and the Bayesian Monte Carlo method. J. Power Sources 196, 10314-10321 (2011).
50. Chen, C. & Pecht, M. Prognostics of lithium-ion batteries using model-based and data-driven methods. in Proceedings of the IEEE 2012 Prognostics and System Health Management Conference (PHM-2012 Beijing), 1-6 (IEEE, 2012).
51. Ramadesigan, V. et al. Parameter estimation and capacity fade analysis of lithium-ion batteries using reformulated models. J. Electrochem. Soc. 158, A1048 (2011).
52. Najera-Flores, D. A., Hu, Z., Chadha, M. & Todd, M. D. A physicsconstrained Bayesian neural network for battery remaining useful life prediction. Appl. Math. Model. 122, 42-59 (2023).
53. Xu, B., Oudalov, A., Ulbig, A., Andersson, G. & Kirschen, D. S. Modeling of lithium-ion battery degradation for cell life assessment. IEEE Trans. Smart Grid 9, 1131-1140 (2016).
54. Raissi, M. Deep hidden physics models: deep learning of nonlinear partial differential equations. J. Mach. Learn. Res. 19, 932-955 (2018).
55. Raissi, M., Perdikaris, P. & Karniadakis, G. E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. J. Comput. Phys. 378, 686-707 (2019).
56. Wang, F. Project-Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis. https://doi. org/10.5281/zenodo. 10963339 (2024).
57. Wang, F. wang-fujin/PINN4SOH: physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis. https://doi.org/10.5281/zenodo. 11046967 (2024).

شكر وتقدير

مساهمات المؤلفين

المصالح المتنافسة

معلومات إضافية

Physics-informed neural network for lithiumion battery degradation stable modeling and prognosis

Results

Framework overview and flowchart

In the data preprocessing stage (shown in Fig. 1b), statistical features are extracted from a short period of data before the battery is fully charged as the input of the model, which ensures that this period of data exists in most battery datasets, and solves the problem of nonuniversal features in existing studies. Therefore, our method is applicable to batteries with different chemistries and charge/discharge protocols.

Data generation

Fig. 2 | The degradation trajectories of the XJTU battery dataset. There are 6 batches ( 55 batteries) in total, all batches contain 8 batteries except batch 2 which contains 15 batteries. The charge/discharge protocols are different among batches. See Supplementary Note 1 for more details.

Fig. 3 | An illustration of extracted features and correlation coefficients.
a Features of 8 batteries from the XJTU dataset batch 1. The -axis of each subfigure is SOH , and the -axis is the normalized value of the corresponding feature. The number on the right side of each subfigure represents the feature number.

b Correlation heatmap between extracted features and SOH in four datasets. The numbers represent 16 features, and the order of features is consistent with that in (a).

Feature extraction

SOH estimation

To demonstrate the advancement of the proposed PINN, MultiLayer Perceptron (MLP) with the same structure and parameter amounts and Convolutional Neural Network (CNN) with similar

Fig. 5 | An illustration of test root mean square error (RMSE) distributions for three models (the proposed PINN (Ours), multi-layer perceptron (MLP), and convolutional neural network (CNN)) on two datasets. Each error bar contains 10 points ( 10 experiment) and is marked with mean and standard deviation lines. The ” 1 battery” in the legend means that we only use the data of 1 battery to train the

Experiments with small samples

model. Others are similar. As the number of batteries increases, the performance of the three models is getting better. However, our method still performs best among them. a The results on the XJTU dataset batch 1.b The results on the HUST dataset. Source data are provided as a Source Data file.

convenience, we only select the data in XJTU batch 1 to represent the XJTU dataset. Similarly, batch 3 of the TJU dataset is used to represent the TJU dataset.
the test errors decrease for all 3 models. This is a generally accepted fact: increasing the number of training samples can improve the model performance when the training data is small. In Fig. 4b, due to the large number of samples in the HUST dataset, the performance of the CNN and MLP is comparable to that of our PINN. This also illustrates the fact that when the structure or number of parameters of the models are the same or similar, given enough training samples, the model performance does not differ much. However, it is evident from Fig. 5 that our method has a significant advantage when the number of training samples is small. In addition, it is worth noting that the performance of our PINN trained with only 1 battery is comparable to that of MLP and CNN trained with 3-4 batteries, which demonstrates the superiority of our PINN in the small sample scenario.

Fine-tuning between different datasets

Discussion

Methods

Battery degradation modeling

Physics-informed neural network

Transfer learning with physics-informed neural network