融合物理学与机器学习实现先进的电池管理

论文作者：Manashita Borah, Qiao Wang, Scott Moura, Dirk Uwe Sauer, Weihan Li

通讯单位：加州大学伯克利分校, 亚琛工业大学

【研究背景】

在日益严重的环境问题中，锂离子电池是寻求缓解气候变化零排放能源系统的关键组成部分。然而，锂离子电池的使用寿命、安全性和成本等仍存在重大挑战，阻碍了新型能源系统的广泛普及。在交通领域，阻碍从内燃机汽车向电动汽车过渡的关键挑战包括准确估计行驶里程、确保电池长寿命、解决安全问题以及建立经济可行性。为了弥补这一差距并提高电池性能，我们强调将物理学和机器学习方法相结合以实现先进的电池管理技术。

【工作简介】

近日，加州大学伯克利分校联合德国亚琛工业大学团队提出了融合物理学和机器学习实现先进电池管理的观点性综述。融合物理学和机器学习可以有效促进锂离子电池的安全和健康管理。通过无缝集成这两个学科，可以显著提高电池数学模型的有效性。通过深入探讨电池健康和安全管理的挑战和潜力，强调了将物理学和机器学习结合以应对这些挑战的变革性影响。基于我们在此背景下的系统性综述，我们讨论了几个未来的发展方向和观点。分析结果强调，物理学和机器学习的结合是电池健康和安全管理技术发展的颠覆性创新。

【内容表述】

物理学与机器学习的结合在电池管理中显得尤为重要，因为这两个学科都发挥着关键作用。高效可靠的电池管理需要同时考虑多个因素，包括准确性、鲁棒性、计算成本、部署成本等。因此，有效融合物理学和机器学习以有效应对这一复杂问题至关重要。图1展示了已解析、已建模、已观测和未观测的物理学之间的相互关联，特别是针对物理学和机器学习模型。基于物理的模型建立在锂离子电池运行机制的第一性原理之上，具有显著的可解释性和广泛的适用能力。然而，提升电池动态的物理理解仍然是一个巨大的挑战，尤其是由于已解析的物理非常有限。尽管电池动态可以基于建模物理进行描述，如伪二维模型，这些模型依赖于偏微分方程，导致其能力受到限制且计算成本较高。同时，为简化电池建模的复杂性，通常引入了许多假设。此外，通过实验方法对伪二维模型进行参数化通常需要几个月的时间，并且由于测量误差和伪二维模型的固有限制，其准确性仍然有限。此外，由于其复杂性和研究的局限性，许多观测到的和未观测到的物理现象仍然难以建模。

图1. 传统物理学和机器学习方法的局限性

机器学习方法基于不同的机器学习模型从大量的实验室和实际应用数据中提取有效信息进行建模。如图 1 所示，在理想情况下，经过完美训练和调整的机器学习模型有可能涵盖电池行为的整个物理过程。然而，即使在理想的实验室条件下，对电池测试数据进行标注仍十分费时费力，而且仍然缺乏完全表征电池运行机制的机器学习架构。在实验室条件下通过昂贵的实验测试可以提取到少量的电池数据标签，如：荷电状态、容量、开路电压和内阻。然而，这些标签仅可以表征外部电池性能，而内部物理机制无法实时解释。对于电动汽车和储能系统等实际应用中的锂离子电池，电池数据的标注变得更具挑战性，因为定期的特性测试不切实际。在电池安全和寿命管理研究中，长短期记忆神经网络、卷积神经网络等通用机器学习模型被广泛使用，但基于电池独特机制的机器学习架构尚未完全实现。

通过有效结合物理学和机器学习，可以利用两种模型的互补优势从而极大地促进电池管理研究。本文简要概述了电池寿命与安全管理领域物理学和机器学习的融合研究现状，并指出了未来的研究发展方向和具体观点，旨在阐明其解决电池研究存在的挑战的潜力。将物理学和机器学习相结合作为解决储能系统预测挑战的可行解决方案最早出现在2020年左右。一个值得注意的例子是Sendek等人在2023年所做的工作，他们预测了测量18,000种含锂离子材料的离子电导率所需的时间。在比较分析中，考虑到当今的技术，实验、物理模型以及融合物理和机器学习方法的估计时间分别为 1500 年、700 年和1个月。这一惊人的对比强调了物理学和机器学习的集成所提供的加速预测速度，远远超过了单独的物理学或机器学习的效率。

图2. 如何有效融合物理学和机器学习：（a）通用性的融合框架；（b）内部融合的代表性示例；（c）外部融合的代表性示例

物理学与机器学习的融合分为两个不同的类别：内部融合和外部融合。如图 2（b）所示，物理信息驱动神经网络是内部融合的典型示例，通过将电池物理学融合到机器学习模型结构和损失方程中，有效地改善了整体模型的模型架构和训练效率。如图 2（c）所示，外部融合的示例包括基于机器学习的物理模型参数化、通过物理模型为机器学习生成数据以及使用机器学习加速物理模型老化。本质上，内部融合旨在通过利用一种方法的优势来克服一种方法的局限性，而外部融合则寻求结合两种方法的固有优势。

通过对电池健康与安全现存挑战的系统性讨论和分析，基于物理学与机器学习的协同作用，提出了电池技术研究的以下几个发展方向。

内部融合：尽管目前利用电池物理改进机器学习取得了显著进展，但在架构优化和训练效率提升方面仍处于初级阶段。目前，尚未开发出一个被普遍接受的、基于物理的机器学习模型架构，因而需要改进其内部架构，以更贴合电池的实际内部结构。基于物理的机器学习架构可以增强训练效率，确保数据在模型内部如同电流在真实电池中的流动一般。训练机器学习的成本函数也需要进一步优化，以在多个维度上兼顾准确性、鲁棒性和成本。尽管物理建模并不完美，但可以通过机器学习来有效提升，从而解决物理建模中固有的局限性和假设。机器学习能够高效地利用测量数据来改进基于物理的建模，并减少偏微分方程建模的局限性。例如：通过机器学习，可以更好地识别电极颗粒的数量和尺寸，并在电池使用过程中捕捉粒子动态，以实现更先进的电池管理。

外部融合：一个有前景的方向是将机器学习与分数阶物理模型相结合，以增强物理知识的真实性。分数阶模型在捕捉扩散动力学和电荷转移反应方面表现出更优越的性能，尤其是在中低频区域，克服了基于常规整数阶ODE和PDE模型的限制。鉴于这些模型的潜力，研究的一个方向是进一步提升其适用性和鲁棒性。在模型参数识别领域，确定最佳权重的策略尚未完善，因此需要持续探索和改进。此外，物理学与机器学习的结合也要求合适的加权方法，以平衡机器学习训练过程中的多任务损失，从而突出方法性模型参数调整的重要性。通过物理模型可以高效提取与老化相关的特征，从而快速训练机器学习模型，而无需大量的电池安全失效数据来预测潜在的安全和健康风险。

电池数据：通过在电池单元中安装智能传感器，可以在电极级别监测和采集电池数据。这对于观察电池内部的物理现象大有裨益，从而加深对电池老化机制的理解，并借助物理和机器学习来增强电池管理。“电池护照”的概念对于在电池的整个生命周期内改进电池管理和控制非常有效，这可以通过整合物理与机器学习加以实现。电池护照中标注的信息可以随着电池数据在整个生命周期内得到充实，物理与机器学习的结合则能深入了解电池动态行为。考虑到电池护照的可行性，从大量数据中提取电池单元的最重要特性（如电压、电流和温度）至关重要，以在保持关键信息的同时，减少对内存资源的需求，并便用于二次使用或回收。电池数据的共享对建立可持续经济系统具有重要作用，但受到了行业冲突和保密性要求的限制。通过基于物理与机器学习在云端构建通用的电池管理模型，用户和企业可以下载通用模型并根据自身电池化学成分和应用场景对参数进行微调，同时将更新后的参数上传，以便在其灵活选择的基础上改进通用的电池数字孪生体。这样，保密数据可以得到保护，仅共享模型中的部分参数以提升电池管理。

电池数字孪生：如图3所示，物理与机器学习的融合可在云端实现电池数字孪生，这一技术有望在先进的电池健康和安全管理中发挥关键功能，旨在提升安全性和可靠性，延长电池寿命，实现无损健康的最优快充，降低成本，并提升剩余价值。

图3. 融合物理学和机器学习实现先进的电池管理技术

将物理与机器学习整合到电池管理系统中，用于实时预测和估算，对于实现电池动态持续学习至关重要。这一方法不仅限于应用已有知识，更扩展到在电池整个生命周期中持续发现和适应新的行为。数字孪生作为基于实际数据的能量存储系统的数字孪生体，在精确的状态估计中起着至关重要的作用，包括电量、剩余放电能量、功率、健康状况和安全性等方面。物理与机器学习融合的一个有前景的应用领域是在数字孪生体，并将其作为锂离子电池健康预测的智能云平台。建立存储有意义电池数据的基础设施对于支持电池模型、加速新电池化学成分的探索与应用至关重要。这些数字孪生体可以作为虚拟测试平台，尤其适合集成到更大的能源管理系统中，如智能电网或可再生能源设施中。有助于预测维护需求、优化调度并最小化停机时间。物理和机器学习共同作用，构建能够以成本效益满足工业需求的数字孪生体。

【结论】

本文对融合物理学与机器学习以实现电池健康与安全管理的研究进行了全面综述。在此基础上，对未来的方向和视角进行了讨论，阐明了如何通过融合物理学与机器学习推动电池管理的发展。这种融合方法为电池技术的进步开辟了新途径，促进了对电池物理的深刻理解、性能指标的精确预测、实时控制和优化，从而将安全管理提升到新的高度。

物理与机器学习的融合为电池管理技术引入了变革，提供了智能的能量存储管理并优化了电池架构。通过这种整合所取得的建模、预测和可靠性的提升，预计将重新定义电池应用的格局。该视角超越了理论领域，深入到实际应用中，能够彻底改变包括电动汽车、电动飞机、智能电网、便携电子设备等多种实际应用。本文倡导利用物理与机器学习的潜在融合，以推动我们迈向一个更加清洁、绿色、可持续的未来。

Manashita Borah, Qiao Wang, Scott Moura, Dirk Uwe Sauer, Weihan Li. Synergizing physics and machine learning for advanced battery management. Communications Engineering 2024; https://doi.org/10.1038/s44172-024-00273-6

最新ACS Energy Lett.：稳定单晶高镍正极，助于固态电池循环超1000次！

2024-10-17