一种考虑温度与阻抗的 LSTM–PINN 框架，用于物理一致的电池健康状态（SOH）预测

为何更智能的电池健康评估很重要

锂离子电池为我们的手机、笔记本电脑、电动汽车乃至电网的部分设备供电。然而，任何电池都会随着时间悄然老化，容量下降、内阻上升，直到无法安全或高效地工作。了解电池的“健康”程度以及其老化速度，对于设计更安全的车辆、避免昂贵的停机时间并延长电池组寿命至关重要。本研究提出了一种新的电池健康预测方法，将现代人工智能与电池老化的基本物理规律相结合。

读取电池寿命的新方法

作者关注的关键指标是健康状态（SOH），它反映了电池可用容量相对于初始状态的比值。传统的深度学习工具（例如循环神经网络）能够在多次充放电循环中学习 SOH 的复杂模式，但通常需要大量数据且有时会产生明显不合理的行为——例如出现被磨损的电池“神奇地”恢复容量。纯物理模型则遵循化学规律，但往往计算缓慢且难以在日常设备中部署。本文工作通过一种混合框架 LSTM–PINN 将两者结合：把序列学习神经网络与一个强制现实老化趋势的物理知晓模块耦合起来。

教会模型真实世界的电池行为

在该框架中，LSTM（长短期记忆）网络观察电池在过去若干循环中的 SOH 变化，以及温度和电阻的演变。从这些历史信息中，它学习出电池状态的紧凑内部表示。该表示随后传递给一个物理“头”，该模块编码一些简单但有效的老化规律：电池随时间必须单调退化；更高的温度应以类阿累尼乌斯（Arrhenius）规律加速老化；不断增长的内部阻抗应进一步加快损耗。与其去求解那些在日常使用中太慢的复杂方程，模型采用一个小型神经网络来模拟阻抗（电池内部电阻的度量）如何影响退化速率，同时保持整体老化形态与既有电化学知识相一致。

混合方法的表现如何

研究人员在一个广泛使用的 NASA 数据集上测试了他们的模型，该数据集跟踪了数十个锂离子电池在受控实验条件下的老化过程。与纯 LSTM、卷积网络和其他物理引导方法等常规模型相比，新的 LSTM–PINN 在精度上明显更好，并生成更平滑、更现实的 SOH 曲线。其平均预测误差约为一个百分点，预测值与实际健康状况在电池整个寿命周期内具有很高的相关性。敏感性测试表明，每一项物理成分发挥不同作用：单调性规则可防止不可能的“恢复”事件，阻抗项能抑制长期预测的漂移，温度项则确保电池在高温下按实验所示更快老化。

应对异常并进行前瞻性规划

并非所有电池的老化都是完全平滑的。有些电池在静置后会出现短暂的容量“恢复”，在测得的 SOH 上表现为暂时上升。由于模型刻意强制稳定下降，它不会去追随这些局部波动。这一选择在这些少数时刻可能带来更大的误差，但能提供更值得信赖的长期预测——这是大多数应用所关心的。作者还展示了网络学到的物理参数（例如控制温度如何加速退化的活化能）落在实验室研究报道的范围内，这表明模型不仅是在拟合曲线，而是在发现有意义且可解释的规律。他们还提出了未来步骤，例如预测剩余可用寿命、为安全关键决策估计不确定性，以及在数据有限的情况下将该方法适配到不同的电池设计中。

这对日常技术意味着什么

对非专业读者而言，主要信息是将物理知识与机器学习结合起来，可以使电池健康预测既更智能又更可靠。该混合模型不把电池当成黑箱，而是尊重真实电池的老化方式——高温时更快老化、内部阻抗上升时更快恶化，并且总体上呈下降趋势。准确性、稳定性与可解释性的结合，可以帮助汽车制造商设计更好的电池管理系统，提供更可靠的续航估计，并延长昂贵电池组的使用寿命。从长远看，这样的方法有助于更安全、更便宜且更可持续地使用日益普及的电池能源。

引用: Kumar, P.N., Upadhya, P.R., Nischay, S. et al. A temperature- and impedance-aware LSTM–PINN framework for physically consistent battery SOH prediction. Sci Rep 16, 7568 (2026). https://doi.org/10.1038/s41598-026-37850-y

关键词: 锂离子电池, 电池健康状态, 物理知晓神经网络, 电池退化, 机器学习预测学