基于PIDNN的无人机锂离子电池退化混合智能预测模型

《Batteries》：PIDNN: A Hybrid Intelligent Prediction Model for UAV Battery Degradation Mengmeng Duan, Mingyu Lu and Huiqing Jin

　　

无人机（UAV）的运行安全性和续航能力在很大程度上受到极端热环境下锂离子电池退化的影响。然而，传统的基于物理的模型通常依赖于简化的假设，而纯数据驱动的方法通常缺乏物理可解释性和鲁棒的泛化能力。为了解决这些局限性，本研究提出了一种物理信息深度神经网络（PIDNN），用于在复杂环境条件下预测无人机电池退化。该框架通过将源自产热、导热和对流换热的物理约束整合到损失函数中，将热力学和流体动力学原理与深度神经网络（DNN）相结合。这种设计使模型在捕获非线性退化模式的同时，保持了与基本物理定律的一致性。研究人员在高温（45 °C）、低温（-20 °C）和室温（25 °C）条件下，结合不同的放电倍率、湿度水平、风速以及多因素耦合情景，进行了全面的基于仿真的实验。结果表明，所提出的PIDNN一致地优于传统的基于物理的模型和几种代表性的数据驱动方法，包括支持向量机（SVM）、长短期记忆网络（LSTM）和基于生成对抗网络（GAN）的方法。它在所有评估条件下都实现了更低的预测误差，这体现在平均绝对误差（MAE）和均方根误差（RMSE）的降低上。通过提供对容量衰减、内阻增长和剩余使用寿命（RUL）的物理一致性预测，该框架支持电池管理系统的退化感知监测和早期预警。这些发现为提高在复杂气候环境下运行的无人机电源系统的可靠性、安全性和使用寿命提供了一种鲁棒的方法学基础。

研究人员开展了针对无人机锂离子电池在复杂气候环境下退化行为的建模与预测研究。首先，针对无人机运行中面临的高功率密度、有限的热管理以及直接暴露于气流等特殊条件，研究人员构建了耦合热力学与流体动力学的物理模型，以描述电化学反应、产热、导热和对流换热之间的相互作用。在此基础上，开发了物理信息深度神经网络（PIDNN）框架。该框架的关键在于将热平衡、导热和对流换热等控制方程以物理信息损失项的形式嵌入到深度神经网络的训练损失函数中，作为正则化约束，从而引导神经网络在优化过程中做出物理上合理的预测。研究主要基于MATLAB/Simulink R2023b平台生成的仿真数据，涵盖了高温、低温和室温，以及不同的放电倍率、湿度、风速等多因素耦合场景，对PIDNN模型进行了系统性的验证，并与传统物理模型、SVM、LSTM和GAN等方法进行了比较。
研究结果表明，在所设定的所有环境和工况条件下，PIDNN模型在预测电池容量衰减、内阻增长和剩余使用寿命方面，均表现出比传统物理模型和单一数据驱动模型更高的预测精度和鲁棒性。具体而言，PIDNN在高温、低温和室温下的剩余使用寿命预测准确率分别达到了90.20%、85.40%和94.50%，其平均绝对误差和均方根误差均为所有对比模型中最低。模型在放电倍率从0.5C到2.5C、湿度从30%到95%以及风速从0到12 m/s的广泛变化范围内均保持了良好的性能。在温度与风速耦合等多因素复杂场景下，模型同样展现了优异的预测稳定性。讨论部分指出，PIDNN通过嵌入热力学与流体动力学约束，有效提升了预测的物理一致性与泛化能力，尤其是在非线性行为显著的低温或极端条件下优势明显。但研究也存在一定局限性，包括验证基于仿真数据、物理模型采用了集总参数简化假设、未系统评估计算开销以及未考虑机械振动、气压变化等因素。未来工作将致力于利用实验室循环实验和实际飞行任务中的无人机电池数据来进一步验证该模型。
研究结论部分指出：本研究提出了一种物理信息深度神经网络（PIDNN）框架，用于在复杂环境条件下预测无人机锂离子电池退化。通过将热力学和流体动力学约束整合到训练过程中，该模型结合了数据驱动学习和基于物理建模的优势。这种设计使得该框架能够捕获非线性退化行为，同时保持物理一致性。仿真结果表明，所提出的PIDNN在高温、低温和室温条件下，与所对比的基于物理和传统机器学习模型相比，实现了更好的预测性能。该模型在不同的放电倍率、湿度水平、风速和耦合环境场景下也保持了有效性。这些结果表明，将物理知识嵌入神经网络可以提高在复杂气候应力下的退化预测能力。除预测精度外，该框架提供了对容量衰减、内阻增长和剩余使用寿命的物理引导估计，这可能支持无人机电池管理系统中的退化感知监测和决策。总体而言，本研究为开发适用于复杂环境的无人机应用、具有物理一致性的智能电池预测方法提供了一个有用的方法论参考。