带有物理一致性正则化的轻量级混合神经网络用于锂离子电池健康状态估计

为什么更智能的电池健康至关重要

随着电动汽车、家用储能和便携式电子设备在全球普及，了解锂离子电池剩余寿命变得像了解油箱中燃料一样重要。然而估计电池的长期“健康”并不容易：电池会缓慢退化，且退化方式受温度、充电习惯及其他众多因素影响。该研究提出了一种新型轻量且具物理感知能力的神经网络，能够更准确、更高效地跟踪电池健康，有望使未来的车辆和设备更安全、维护成本更低并便于实时监测。

监测电池老化的难题

电池制造商和汽车公司需要预测电池在数百或数千次充放电循环后的容量衰减。现有的纯数据驱动方法依赖机器学习，虽然在许多情况下非常准确，但常表现为“黑箱”，在环境与训练数据不同的情况下可能失效。另一方面，以电化学为基础的物理模型具有可解释性，但通常计算量大且速度慢，这对车载电池管理系统来说是个问题。作者认为，未来的解决方案需要将数据驱动与基本物理直觉相结合，同时保持足够轻量以便在有限硬件上运行。

尊重真实行为的混合网络

研究人员提出了一种改进的轻量级混合物理感知神经网络（Improved Lightweight Hybrid Physics‑Informed Neural Network，简称 IHPINN），专为电池健康状态预测设计。其核心由两个协作的子网络组成。一个“解”网络将电池状态的紧凑描述（如电压、电流、温度和循环索引）映射为介于0到1之间的健康估计值。第二个“动力学”网络则学习该健康值随时间应如何演化，充当守护者，抑制预测老化曲线中的不现实跳变或回升。模型并不强制采用详细的电化学方程，而是编码了简单但有力的原则：电池健康应平滑变化，并且总体上不应随着电池老化而改善。

面向实时使用的轻量化设计

为了使这种混合方法实用，作者对标准神经网络组件进行了精心改造以降低计算成本。他们用分组和低秩变换替代大规模全连接层，复用参数，从而减少权重数量和数学运算量。自适应激活单元融合了两种类型的非线性响应，并会在电池进入不同老化阶段时自动调整其行为，帮助网络在不引入不稳定梯度的情况下学习复杂模式。一个共享关注模块通过使用单一投影来决定哪些特征最重要，进一步削减冗余，使模型将计算资源集中在与退化最相关的信号上。上述这些设计使网络在保持小规模的同时仍能捕捉多尺度的老化行为。

模型的实测表现

团队在来自不同实验室、不同化学体系和使用条件的四个常用电池数据集上评估了 IHPINN。总体而言，新模型在预测健康方面比传统的物理感知神经网络基线更准确，同时使用更少的参数、更少的内存和更短的训练时间。例如，在华中科技大学的一个数据集上，均方误差下降超过一半，同时参数量约减少五分之一且训练更快。在麻省理工学院的一个包含多样充电策略和温度条件的苛刻数据集以及另外两个针对不同电池类型和循环方案的数据集中，也观测到了类似的提升。消融实验（逐项移除组件）显示，多尺度特征提取和自适应激活对精度贡献最大，而损失项的动态加权加速了收敛。

对日常技术的意义

对非专业读者而言，关键结论是 IHPINN 提供了一种既智能又节约的电池老化监测方式。它以符合基本预期的方式跟踪健康——电池随时间平滑衰退——而无需昂贵的物理仿真或过大的神经网络。在实际应用中，这类模型可嵌入电动汽车、固定储能系统或消费电子设备中，以提供更可靠的剩余寿命预测并帮助防止意外故障。尽管目前的工作尚不能完全捕捉电池内部的详细化学过程，但它表明精心构建的物理感知机器学习可以在准确性、可解释性和效率之间取得有价值的平衡，为未来能源系统中的更可信电池管理指明了方向。

引用: Zhang, P., Zhang, H., Zhou, J. et al. Lightweight hybrid neural network with physics consistency regularization for lithium-ion battery state of health estimation. Sci Rep 16, 12780 (2026). https://doi.org/10.1038/s41598-026-41913-5

关键词: 锂离子电池健康, 物理感知神经网络, 电池退化预测, 能源存储监测, 轻量级机器学习