Learning Battery Aging Dynamics Using Physics-Informed Transformer

Md Ragib Rownak

doi:10.1109/TTE.2026.3658446

Learning Battery Aging Dynamics Using Physics-Informed Transformer

2026-01-28

0

PRE

AI

Muhammad Qaisar Fahim

DOI：10.1109/TTE.2026.3658446

原文链接

摘要

En 中文

锂离子电池容量衰减的可靠估计对于电动动力总成的设计和控制至关重要。本研究开发了一种基于物理信息的Transformer模型（PITM），该模型整合了基于物理的衰减趋势与多变量循环数据，以学习电池老化动力学，从而实现对不同电池化学体系和操作条件下准确的容量衰减轨迹估计。基于物理的降阶模型（PB-ROM）在五个老化数据集的17个电池上进行了评估，以识别与衰减相关的变量并量化其局限性。虽然PB-ROM能够捕捉长期衰减模式，但在强非线性条件下其精度会下降，预测的相对标准误差（RSEP）范围为5%至23%。在这些见解的指导下，PITM采用动态特征开发，并使用包含实验容量测量值和PB-ROM衍生衰减增量的复合损失函数进行训练。五个单组PITM模型和一个通用的多组变体（G-PITM）在异构数据集上进行了训练。所提出的模型一致性地优于PB-ROM，将RSEP降低至未见过测试电池的2.96%，并准确捕捉复杂的衰减行为。最后，PITM被集成到串联混合动力增程式动力总成架构中，并在重型驾驶循环下进行了评估。PITM在真实负载动态下展示了物理上一致的轨迹估计，证实了其适用于面向控制的应用。

Keyword:

Battery aging estimation in real-world aging scenarios

battery aging modeling

physics-based reduced-order models

physics-informed machine learning

transformer-based aging estimation

Learning Battery Aging Dynamics Using Physics-Informed Transformer

摘要

期刊

机构

引用论文